simulasi pertumbuhan tanaman krisan terhadap …etheses.uin-malang.ac.id/8280/1/08650012.pdf ·...
TRANSCRIPT
SIMULASI PERTUMBUHAN TANAMAN KRISAN TERHADAP
PEMBERIAN DOSIS PUPUK UREA DAN PENYIRAMAN
MENGGUNAKAN NEURAL NETWORK
BERBASIS XL SYSTEM
SKRIPSI
Oleh:
EKO SUHARTONO
NIM. 08650012
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2015
ii
SIMULASI PERTUMBUHAN TANAMAN KRISAN TERHADAP
PEMBERIAN DOSIS PUPUK UREA DAN PENYIRAMAN
MENGGUNAKAN NEURAL NETWORK
BERBASIS XL SYSTEM
SKRIPSI
Diajukan Kepada:
Universitas Islam Negeri Maulana Malik Ibrahim Malang
Untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Komputer (S.Kom)
Oleh:
EKO SUHARTONO
NIM. 08650012
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2015
iii
SIMULASI PERTUMBUHAN TANAMAN KRISAN TERHADAP
PEMBERIAN DOSIS PUPUK UREA DAN PENYIRAMAN
MENGGUNAKAN NEURAL NETWORK
BERBASIS XL SYSTEM
SKRIPSI
Oleh:
EKO SUHARTONO
NIM. 08650012
Telah Diperiksa dan Disetujui untuk Diuji:
Tanggal, 26 Juni 2015
Pembimbing I,
Dr. Suhartono, M.Kom
NIP. 19680519 200312 1 001
Pembimbing II,
Dr. Munirul Abidin, M.Ag
NIP. 19720420 200212 1 003
Mengetahui,
Ketua Jurusan Teknik Informatika
Dr. Cahyo Crysdian
NIP. 19740424 200901 1 008
iv
SIMULASI PERTUMBUHAN TANAMAN KRISAN TERHADAP
PEMBERIAN DOSIS PUPUK UREA DAN PENYIRAMAN
MENGGUNAKAN NEURAL NETWORK
BERBASIS XL SYSTEM
SKRIPSI
Oleh :
EKO SUHARTONO
NIM. 08650012
Telah Dipertahankan di Depan Dewan Penguji Skripsi
dan Dinyatakan Diterima sebagai Salah Satu Persyaratan
Untuk Memperoleh Gelar Sarjana Komputer (S.Kom)
Tanggal, 02 Juli 2015
Susunan Dewan Penguji
Tanda Tangan
1. Penguji Utama : Irwan Budi Santoso M.Kom ( )
NIP. 19770103 201101 1 004
2. Ketua : Dr. Muhammad Faisal, M.T ( )
NIP. 19740510 200501 1 007
3. Sekretaris : Dr. Suhartono, M.Kom ( )
NIP. 19680519 200312 1 001
4. Anggota : Dr. Munirul Abidin, M.Ag ( )
NIP. 19720420 200212 1 003
Mengetahui dan Mengesahkan,
Ketua Jurusan Teknik Informatika
Dr. Cahyo Crysdian
NIP. 19740424 200901 1 008
v
PERNYATAAN KEASLIAN TULISAN
Saya yang bertanda tangan di bawah ini:
Nama : Eko Suhartono
NIM : 08650012
Fakultas/Jurusan : Sains dan Teknologi/Teknik Informatika
Judul Skripsi : SIMULASI PERTUMBUHAN TANAMAN KRISAN
TERHADAP PEMBERIAN DOSIS PUPUK UREA DAN
PENYIRAMAN MENGGUNAKAN NEURAL NETWORK
BERBASIS XL SYSTEM.
Dengan ini menyatakan bahwa :
1. Hasil penelitian saya ini tidak terdapat unsur-unsur penjiplakan karya
penelitian atau karya ilmiah yang pernah dilakukan atau dibuat oleh orang
lain, kecuali yang secara tertulis dikutip dalam naskah ini dan disebutkan
dalam sumber kutipan dan daftar pustaka.
2. Apabila ternyata hasil penelitian ini terbukti terdapat unsur-unsur jiplakan,
maka saya bersedia untuk mempertanggungjawabkan, serta menerima
sanksi atas perbuatan tersebut.
Malang, 26 Juni 2015
Yang membuat pernyataan,
Eko Suhartono
NIM. 08650012
vi
MOTTO
Artinya :
“karena Sesungguhnya sesudah kesulitan itu
ada kemudahan,” (QS. Alam Nasyrah : 5)
“Sesungguhnya setelah kesulitan itu ada kemudahan dan yakinlah pertolongan
Allah SWT pasti datang, jadi berjuanglah terus dengan ikhlas dan tawakal”
vii
PERSEMBAHAN
Sembah sujud dan syukur hanya kepada Allah SWT, dzat Pencipta dan
Pemilik Langit Semesta Alam.
Shalawat dan salam yang senantiasa tercurahkan kepadamu
Nabi Muhammad SAW
Kupersembahkan Karya ini Kepada Semua Orang yang
Kucintai dan Kusayangi :
Bapak dan Ibuku tersayang (Sardjono & Alpiah) yang selalu mengasihi dan
merawatku hingga saya menjadi sukses.
Terima kasih atas motivasinya,
Adikku Febri Dwi Mulyanto semoga senantiasa diperlancar segala urusannya
dalam mengerjakan Tugas Akhir (Skripsi).
Kakak, adik , keponakan, seluruh keluarga besarku, dan teman-teman terdekatku
serta semuanya saja yang selalu mendukungku, menemaniku hingga
saya dapat menyelesaikan skripsi.
Dosen-dosen Teknik Informatika khususnya dosen pembimbing
Bapak Suhartono dan Bapak Munirul Abidin
serta seluruh karyawan civitas akademika
UIN Maulana Malik Ibrahim Malang
Seluruh Teman-teman Teknik Informatika angkatan 2008.
Terima Kasih Untuk Semuanya.
viii
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh.
Dengan menyebut nama Allah Yang Maha Pengasih lagi Maha Penyayang
maka saya panjatkan rasa puji syukur hanya untuk-Nya, shalawat dan salam
semoga dilimpahkan kepada syaraful Anbiya’i wal Mursalin, keluarganya, dan
sahabatnya hingga akhir zaman nanti. Berkat segala rahmat, taufik, hidayah,
karunia dan inayah-Nya, sehingga penulis telah menyelesaikan skripsi yang
berjudul “Simulasi Pertumbuhan Tanaman Krisan Terhadap Pemberian Dosis
Pupuk Urea dan Penyiraman Menggunakan Neural Network Berbasis XL
System” dengan sebaik-baiknya sebagai syarat untuk menyelesaikan pendidikan
Strata Satu atau S1 Jurusan Teknik Informatika, Fakultas Sains dan Teknologi,
Universitas Islam Negeri Maulana Malik Ibrahim Malang.
Terselesaikannya skripsi ini berkat dukungan dari semua pihak yang telah
memotivasi dan memberikan arahan maka dari itu penulis mengucapkan terima
kasih kepada :
1. Dr. Suhartono, M.Kom selaku dosen wali sekaligus dosen pembimbing
satu yang telah memberikan segala bantuannya dalam melakukan
bimbingan studi dan telah bersedia meluangkan waktu, tenaga, pikiran
serta memberikan arahan dan masukan yang sangat berguna dalam
menyelesaikan skripsi ini.
ix
2. Dr. Munirul abidin, M.Ag selaku pembimbing agama yang telah
bersedia memberikan pengarahan keagamaan dalam penyelesaian
skripsi ini.
3. Dr. Cahyo Crysdian selaku Ketua Jurusan Teknik Informatika
Universitas Islam Negeri Maulana Malik Ibrahim Malang.
4. Dr. Bayyinatul Muchtaromah, drh. MSi selaku dekan fakultas Sains
dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim
Malang.
5. Prof. Dr. Mudjia Raharjo, M.Si, selaku Rektor Universitas Islam
Negeri Maulana Malik Ibrahim Malang.
6. Pimpinan dan segenap pegawai PT. Inggu Laut Abadi yang telah
membantu penelitian ini, terima kasih atas bimbingan dan bantuan
yang telah diberikan.
7. Semua bapak dan ibu Dosen Teknik Informatika Universitas Islam
Negeri Maulana Malik Ibrahim Malang dan staf koordinator serta
Asisten laboratorium Teknik Informatika, yang telah mengajarkan dan
memberikan banyak ilmu dangan tulus dan dukungan untuk
menyelesaikan penulisan skripsi ini.
8. Bapak, Ibu, Adik yang selalu mendoakan dan memberikan motivasi
dan dorongan semangat sehingga penulisan skripsi ini dapat
terselesaikan dengan baik.
9. Teman-teman Teknik Informatika seluruh angkatan 2008 Universitas
Islam Negeri Maulana Malik Ibrahim Malang.
x
10. Teman-temanku semua di Ma’had Sunan Ampel Al-Ali Universitas
Islam Negeri Maulana Malik Ibrahim Malang.
11. Semua pihak yang tidak bisa disebutkan namanya satu persatu , yang
telah menjadi motivator demi terselesaikannya penyusunanan skripsi
ini.
Penulis sadar bahwa tidak ada sesuatupun yang sempurna kecuali Allah
SWT. Oleh karena itu, dengan senang hati penulis menerima kritik dan saran yang
bersifat membangun. Semoga skripsi ini bermanfaat bagi penulis dan bagi
pembaca pada umumnya. Amin.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.
Malang, 18 Juni 2015
Penulis,
Eko Suhartono
NIM. 08650012
xi
DAFTAR ISI
HALAMAN JUDUL ............................................................................................. i
HALAMAN PENGAJUAN ................................................................................. ii
HALAMAN PERSETUJUAN ............................................................................ iii
HALAMAN PENGESAHAN ............................................................................. iv
HALAMAN PERNYATAAN KEASLIAN TULISAN ...................................... v
HALAMAN MOTTO ......................................................................................... vi
HALAMAN PERSEMBAHAN ......................................................................... vii
KATA PENGANTAR ....................................................................................... viii
DAFTAR ISI ........................................................................................................ xi
DAFTAR GAMBAR .......................................................................................... xiv
DAFTAR TABEL................................................................................................. xv
DAFTAR LAMPIRAN ...................................................................................... xvi
ABSTRAK ........................................................................................................ xvii
ABSTRACT ......................................................................................................xviii
BAB I PENDAHULUAN ................................................................................... 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Rumusan Masalah ..................................................................................... 4
1.3 Tujuan Penelitian ....................................................................................... 5
1.4 Manfaat Penelitian ..................................................................................... 5
1.5 Batasan Masalah ........................................................................................ 5
1.6 Sistematika Penulisan ................................................................................ 6
BAB II TINJAUAN PUSTAKA ........................................................................... 8
2.1 Pengertian Simulasi .................................................................................. 8
2.2 Pengertian Pertumbuhan Tanaman ........................................................... 8
2.3 Tanaman Krisan (Chrysanthemum spp)................................................... 10
2.3.1 Jenis dan Varietas Tanaman Krisan (Chrysanthemum spp) .......... 12
2.3.2 Manfaat Tanaman Krisan (Chrysanthemum spp) .......................... 16
2.3.3 Iklim Tanaman Krisan (Chrysanthemum spp) .............................. 16
xii
2.3.4 Media Tanaman Krisan (Chrysanthemum spp) ............................. 17
2.3.5 Ketinggian Tanaman Krisan (Chrysanthemum spp) ..................... 17
2.4 Pupuk Urea (NH2 CONH2) ..................................................................... 17
2.4.1 Kegunaan Pupuk Urea (NH2 CONH2) ........................................... 18
2.4.2 Gejala Kekurangan Pupuk Urea (NH2 CONH2) ............................ 18
2.5 XL-System ............................................................................................... 19
2.5.1 L-System ........................................................................................ 20
2.5.2 Bahasa Pemrograman XL .............................................................. 21
2.5.3 Penulisan Berulang (Rewriting Systems) ...................................... 22
2.5.4 Deterministic dan Context-Free L-System (DOL) ......................... 23
2.5.5 Context Sensitive L-System ............................................................ 24
2.6 Normalisasi Data ..................................................................................... 24
2.7 Gambaran Umum Jaringan Syaraf Tiruan (Neural Network) ................. 26
2.7.1 Jaringan Perceptron ....................................................................... 36
2.7.2 Jaringan Multilayer Perceptron ..................................................... 39
2.8 GroImp (Growth Grammar-related Interactive Modelling Platform) .... 43
2.9 Integrasi Islam ......................................................................................... 43
BAB III METODE PENELITIAN ................................................................... 45
3.1 Metodelogi Penelitian ............................................................................. 45
3.1.1 Objek Penelitian ............................................................................ 47
3.1.2 Variabel Penelitian ........................................................................ 47
3.1.3 Tempat dan Waktu ........................................................................ 47
3.1.4 Alat dan Bahan .............................................................................. 48
3.2 Prosedur Pelaksanaan Penelitian ............................................................. 48
3.2.1 Persiapan Lahan ............................................................................. 48
3.2.2 Penyiapan Bibit Tanaman .............................................................. 49
3.2.3 Penanaman dan Pemeliharaan ....................................................... 52
3.3 Pengamatan ............................................................................................. 54
3.4 Desain Sistem .......................................................................................... 55
3.5 Tahap Implementasi ................................................................................ 59
xiii
BAB IVANALISA DAN PEMBAHASAAN ..................................................... 61
4.1 Analisis Data ........................................................................................... 61
4.2 Pengolahan Data ..................................................................................... 62
4.3 Penentuan Parameter Jaringan ................................................................ 64
4.3.1 Memilih Learning Rate yang ideal ................................................ 64
4.3.2 Memilih Neuron yang ideal ........................................................... 70
4.3.3 Perhitungan Multilayer Perceptron ................................................ 72
4.4 Implementasi Program ............................................................................ 80
4.4.1 Instalasi Program ........................................................................... 80
4.4.2 Pembuatan Program ....................................................................... 81
4.5 Hasil Program ......................................................................................... 94
4.6 Evaluasi Program .................................................................................... 96
4.7 Kajian Program Dalam Perspektif Islam ............................................... 101
BAB V KESIMPULAN DAN SARAN ......................................................... 108
5.1 Kesimpulan ........................................................................................... 108
5.2 Saran ..................................................................................................... 108
DAFTAR PUSTAKA ........................................................................................ 110
LAMPIRAN ....................................................................................................... 114
xiv
DAFTAR GAMBAR
Gambar 2.1 Krisan Sp Puma Putih (Chrysanthemum Reagent White) ................. 12
Gambar 2.2 Skema Sederhana XL-system ........................................................... 19
Gambar 2.3 Konstruksi dari Snowflake Curve ..................................................... 22
Gambar 2.4 Contoh dari Aturan Produksi dari DOL System .............................. 23
Gambar 2.5 Arsitekur Neural Network .................................................................. 28
Gambar 2.6 Single LayerNeural Network .............................................................. 29
Gambar 2.7 Multilayer Neural Network ................................................................ 30
Gambar 2.8 Lapisan Kompetitif ............................................................................ 31
Gambar 2.9 Fungsi Tangga Biner ......................................................................... 32
Gambar 2.10 Fungsi Linier ................................................................................... 33
Gambar 2.11 Fungsi Gauss .................................................................................... 33
Gambar 2.12 Fungsi Sigmoid Unipolar ................................................................. 34
Gambar 2.13 Fungsi Sigmoid Bipolar ................................................................... 35
Gambar 2.14 Fungsi Hyperbolic Tangent .............................................................. 36
Gambar 2.15 Fungsi Single Layer Perceptron ...................................................... 37
Gambar 2.16 Arsitektur Jaringan Multilayer Perceptron ...................................... 39
Gambar 3.1 Rancangan Penanaman ...................................................................... 48
Gambar 3.2 Bibit tanaman Chrysanthemum Puma Putih ...................................... 51
Gambar 3.3 Bibit tanaman Chrysanthemum Puma Putih yang dicelupkan
akarnya dengan zat perangsang akar (rootone) ..................................................... 51
Gambar 3.4 Desain Sistem ..................................................................................... 56
Gambar 3.5 Desain Alur Sistem Keseluruhan Proses Program ............................ 57
Gambar 3.6 Diagram Alur Sistem Keseluruhan Proses Program ......................... 58
Gambar 3.7 Desain Simulasi ................................................................................. 60
Gambar 3.8 Desain Grafik Pertumbuhan ............................................................... 60
Gambar 4.1 Struktur Neural Network ................................................................... 72
Gambar 4.2 Screenshoot pada nilai epoch, MSE dan SSE proses pembelajaran .. 77
Gambar 4.3 Screenshoot pada Grafik MSE ........................................................... 78
Gambar 4.4 Screenshoot pada hasil pembelajaran ................................................. 78
xv
Gambar 4.5 Screenshoot pada Grafik hasil pembelajaran ..................................... 79
Gambar 4.6 Texture Tanaman (a)Batang dan (b)Daun ......................................... 87
Gambar 4.7 Hasil Simulasi Pertumbuhan Tanaman Krisan .................................. 94
Gambar 4.8 Sebelum Program Disimulasikan ....................................................... 95
Gambar 4.9 Setelah Program Disimulasikan ......................................................... 95
xvi
DAFTAR TABEL
Tabel 3.1 Rancang Perlakuan ........................................................................... 52
Tabel 3.2 Jadwal Pelaksanaan Penelitian ......................................................... 55
Tabel 4.1 Data Tanaman Perlakuan Keempat dan Pengambilan Data Terakhir 62
Tabel 4.2 Data Tanaman Hasil Normalisasi dengan Decimal Scaling ............. 63
Tabel 4.3 Parameter yang digunakan MLP untuk penentuan Learning Rate . 64
Tabel 4.4 Hasil 1 × running program untuk perbandingan learning rate, epoch,
MSE dan tanaman yang di simulasikan ............................................................... 65
Tabel 4.5 Hasil 4 × running program untuk perbandingan learning rate (LR),
epoch dan tanaman yang di simulasikan. ............................................................... 66
Tabel 4.6 Hasil 5 × running program untuk perbandingan jumlah hidden
neuron, learning rate, pola simulasi, epoch dan MSE ....................................... 70
Tabel 4.7 Hasil dari Normalisasi Data ............................................................ 73
Tabel 4.8 Hasil Pembelajaran .......................................................................... 79
Tabel 4.9 Penjelasan Perhitungan Pada Perlakuan Pertama dan Pengambilan
Data Terakhir ..................................................................................................... 96
Tabel 4.10 Penjelasan Perhitungan Pada Perlakuan Pertama dan Pengambilan
Data Terakhir ..................................................................................................... 97
Tabel 4.11 Penjelasan Perhitungan Pada Perlakuan Kedua dan Pengambilan Data
Terakhir ................................................................................................................. 98
Tabel 4.12 Penjelasan Perhitungan Pada Perlakuan Ketiga dan Pengambilan Data
Terakhir ................................................................................................................. 99
Tabel 4.13 Penjelasan Perhitungan Pada Perlakuan Keempat dan Pengambilan
Data Terakhir ...................................................................................................... 99
Tabel 4.14 Hasil Akhir Perbandingan MAPE ................................................... 100
xvii
DAFTAR LAMPIRAN
Lampiran 1 : Data Observasi ............................................................................... 114
Lampiran 2 : Data yang Dipakai ......................................................................... 122
Lampiran 3 : Data Uji Coba ................................................................................ 126
Lampiran 4 : Revisi Simulasi Pertumbuhan Tanaman Berdasarkan Pemberian
Dosis Urea dan Penyiraman pada Jumlah Daun, Panjang Batang dan Tinggi
Tanaman .............................................................................................................. 130
Lampiran 5 : Grafik Perbandingan Panjang Batang, Jumlah Daun, Tinggi
Tanaman & Rata-rata Per-Perlakuan .................................................................. 141
Lampiran 6 : Foto Kegiatan Penelitian di Lapangan .......................................... 143
Lampiran 7 : Surat Izin Penelitian ...................................................................... 142
xviii
ABSTRAK
Suhartono, Eko. 2015. 0850012. Simulasi Pertumbuhan Tanaman Krisan
Terhadap Pemberian Dosis Pupuk Urea Dan Penyiraman
Menggunakan Neural Network Berbasis XL System. Jurusan Teknik
Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri
Maulana Malik Ibrahim Malang.
Pembimbing (I) Dr. Suhartono, M.Kom (II) Dr. Munirul Abidin, M.Ag.
Kata Kunci : Neural Network, Simulasi Pertumbuhan Krisan, Pupuk Urea, dan
XL-System.
Untuk mempelajari pertumbuhan tanaman dizaman modern ini sudah
menggunakan teknologi visualisasi dalam bentuk 3D ke dalam komputer. Pada
penelitian ini dipilih tanaman krisan yang mempunyai prospek yang bagus
dalam bisnis bunga hias.
Simulasi pertumbuhan tanaman krisan pada pemberian dosis pupuk urea
dan penyiraman menggunakan neural network berbasis xl system ini dilakukan
untuk mencari nilai pendekatan dengan mengkombinasikan antara dosis pupuk
dengan penyiraman sehingga diperoleh tiga variabel data pelatihan. Dua
diantaranya sebagai data input (panjang batang dan banyak daun) dan satunya
sebagai output target yaitu tinggi tanaman.
Dari hasil evaluasi program membuktikan bahwa dari empat kombinasi
pemberian dosis pupuk urea dan penyiraman diperoleh satu simulasi dengan
prosentase rate error paling kecil dibanding tiga kombinasi lainnya dengan nilai
mencapai 12.31 %.
xix
ABSTRACT
Suhartono, Eko. 2015 0850012. Chrysanthemum Plant Growth Simulation
Against Giving Urea Dosing And Watering Using Neural Network
Based System XL. Department of Informatics, Faculty of Science and
Technology, State Islamic University of Maulana Malik Ibrahim Malang.
Advicer : (I) Dr. Suhartono, M.Kom (II) Dr. Munirul Abidin, M.Ag.
Keywords: Neural Network, Growth Simulation Chrysanthemum, Urea, and
XL-System.
To study the growth of the modern era, this plant has been used in the form of
3D visualization technology into the computer. In this study been
chrysanthemum has a good prospect in the business of ornamental flowers.
Simulation of the chrysanthemum plant growth dosing of urea fertilizer and
watering using a neural network-based xl-system was done to find the value of
the approach by combining the dose of fertilizer to the watering in order to
obtain the three variables of training data. Two of them as input data (long stem
and many leaves) and the other as an output target of plant height.
From the results of program evaluations proved that the combination of four
dosing of urea fertilizer and watering obtained a simulation with the smallest
percentage error rate compared to the other three combinations with a value of
12.31 %.
ii
SIMULASI PERTUMBUHAN TANAMAN KRISAN TERHADAP PEMBERIAN DOSIS PUPUK UREA DAN PENYIRAMAN
MENGGUNAKAN NEURAL NETWORK BERBASIS XL SYSTEM
SKRIPSI
Diajukan Kepada: Universitas Islam Negeri Maulana Malik Ibrahim Malang
Untuk Memenuhi Salah Satu Persyaratan dalam Memperoleh Gelar Sarjana Komputer (S.Kom)
Oleh: EKO SUHARTONO
NIM. 08650012
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG 2015
iii
SIMULASI PERTUMBUHAN TANAMAN KRISAN TERHADAP PEMBERIAN DOSIS PUPUK UREA DAN PENYIRAMAN
MENGGUNAKAN NEURAL NETWORK BERBASIS XL SYSTEM
SKRIPSI
Oleh: EKO SUHARTONO
NIM. 08650012
Telah Diperiksa dan Disetujui untuk Diuji: Tanggal, 26 Juni 2015
Pembimbing I,
Dr. Suhartono, M.Kom NIP. 19680519 200312 1 001
Pembimbing II,
Dr. Munirul Abidin, M.Ag NIP. 19720420 200212 1 003
Mengetahui, Ketua Jurusan Teknik Informatika
Dr. Cahyo Crysdian NIP. 19740424 200901 1 008
iv
SIMULASI PERTUMBUHAN TANAMAN KRISAN TERHADAP PEMBERIAN DOSIS PUPUK UREA DAN PENYIRAMAN
MENGGUNAKAN NEURAL NETWORK BERBASIS XL SYSTEM
SKRIPSI
Oleh : EKO SUHARTONO
NIM. 08650012
Telah Dipertahankan di Depan Dewan Penguji Skripsi dan Dinyatakan Diterima sebagai Salah Satu Persyaratan
Untuk Memperoleh Gelar Sarjana Komputer (S.Kom) Tanggal, 02 Juli 2015
Susunan Dewan Penguji
Tanda Tangan
1. Penguji Utama : Irwan Budi Santoso M.Kom ( ) NIP. 19770103 201101 1 004 2. Ketua : Dr. Muhammad Faisal, M.T ( ) NIP. 19740510 200501 1 007 3. Sekretaris : Dr. Suhartono, M.Kom ( ) NIP. 19680519 200312 1 001 4. Anggota : Dr. Munirul Abidin, M.Ag ( ) NIP. 19720420 200212 1 003
Mengetahui dan Mengesahkan, Ketua Jurusan Teknik Informatika
Dr. Cahyo Crysdian NIP. 19740424 200901 1 008
v
PERNYATAAN KEASLIAN TULISAN
Saya yang bertanda tangan di bawah ini:
Nama : Eko Suhartono
NIM : 08650012
Fakultas/Jurusan : Sains dan Teknologi/Teknik Informatika
Judul Skripsi : SIMULASI PERTUMBUHAN TANAMAN KRISAN
TERHADAP PEMBERIAN DOSIS PUPUK UREA DAN
PENYIRAMAN MENGGUNAKAN NEURAL NETWORK
BERBASIS XL SYSTEM.
Dengan ini menyatakan bahwa :
1. Hasil penelitian saya ini tidak terdapat unsur-unsur penjiplakan karya
penelitian atau karya ilmiah yang pernah dilakukan atau dibuat oleh orang
lain, kecuali yang secara tertulis dikutip dalam naskah ini dan disebutkan
dalam sumber kutipan dan daftar pustaka.
2. Apabila ternyata hasil penelitian ini terbukti terdapat unsur-unsur jiplakan,
maka saya bersedia untuk mempertanggungjawabkan, serta menerima
sanksi atas perbuatan tersebut.
Malang, 26 Juni 2015 Yang membuat pernyataan, Eko Suhartono NIM. 08650012
vi
MOTTO
¨β Î* sù yì tΒ Îô£ãè ø9 $# #· ô£ ç„ ∩∈∪
Artinya :
“karena Sesungguhnya sesudah kesulitan itu
ada kemudahan,” (QS. Alam Nasyrah : 5)
“Sesungguhnya setelah kesulitan itu ada kemudahan dan yakinlah pertolongan
Allah SWT pasti datang, jadi berjuanglah terus dengan ikhlas dan tawakal”
vii
PERSEMBAHAN
Sembah sujud dan syukur hanya kepada Allah SWT, dzat Pencipta dan
Pemilik Langit Semesta Alam.
Shalawat dan salam yang senantiasa tercurahkan kepadamu
Nabi Muhammad SAW
Kupersembahkan Karya ini Kepada Semua Orang yang
Kucintai dan Kusayangi :
Bapak dan Ibuku tersayang (Sardjono & Alpiah) yang selalu mengasihi dan
merawatku hingga saya menjadi sukses.
Terima kasih atas motivasinya,
Adikku Febri Dwi Mulyanto semoga senantiasa diperlancar segala urusannya
dalam mengerjakan Tugas Akhir (Skripsi).
Kakak, adik , keponakan, seluruh keluarga besarku, dan teman-teman terdekatku
serta semuanya saja yang selalu mendukungku, menemaniku hingga
saya dapat menyelesaikan skripsi.
Dosen-dosen Teknik Informatika khususnya dosen pembimbing
Bapak Suhartono dan Bapak Munirul Abidin
serta seluruh karyawan civitas akademika
UIN Maulana Malik Ibrahim Malang
Seluruh Teman-teman Teknik Informatika angkatan 2008.
Terima Kasih Untuk Semuanya.
viii
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh.
Dengan menyebut nama Allah Yang Maha Pengasih lagi Maha Penyayang
maka saya panjatkan rasa puji syukur hanya untuk-Nya, shalawat dan salam
semoga dilimpahkan kepada syaraful Anbiya’i wal Mursalin, keluarganya, dan
sahabatnya hingga akhir zaman nanti. Berkat segala rahmat, taufik, hidayah,
karunia dan inayah-Nya, sehingga penulis telah menyelesaikan skripsi yang
berjudul “Simulasi Pertumbuhan Tanaman Krisan Terhadap Pemberian Dosis
Pupuk Urea dan Penyiraman Menggunakan Neural Network Berbasis XL
System” dengan sebaik-baiknya sebagai syarat untuk menyelesaikan pendidikan
Strata Satu atau S1 Jurusan Teknik Informatika, Fakultas Sains dan Teknologi,
Universitas Islam Negeri Maulana Malik Ibrahim Malang.
Terselesaikannya skripsi ini berkat dukungan dari semua pihak yang telah
memotivasi dan memberikan arahan maka dari itu penulis mengucapkan terima
kasih kepada :
1. Dr. Suhartono, M.Kom selaku dosen wali sekaligus dosen pembimbing
satu yang telah memberikan segala bantuannya dalam melakukan
bimbingan studi dan telah bersedia meluangkan waktu, tenaga, pikiran
serta memberikan arahan dan masukan yang sangat berguna dalam
menyelesaikan skripsi ini.
ix
2. Dr. Munirul abidin, M.Ag selaku pembimbing agama yang telah
bersedia memberikan pengarahan keagamaan dalam penyelesaian
skripsi ini.
3. Dr. Cahyo Crysdian selaku Ketua Jurusan Teknik Informatika
Universitas Islam Negeri Maulana Malik Ibrahim Malang.
4. Dr. Bayyinatul Muchtaromah, drh. MSi selaku dekan fakultas Sains
dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim
Malang.
5. Prof. Dr. Mudjia Raharjo, M.Si, selaku Rektor Universitas Islam
Negeri Maulana Malik Ibrahim Malang.
6. Pimpinan dan segenap pegawai PT. Inggu Laut Abadi yang telah
membantu penelitian ini, terima kasih atas bimbingan dan bantuan
yang telah diberikan.
7. Semua bapak dan ibu Dosen Teknik Informatika Universitas Islam
Negeri Maulana Malik Ibrahim Malang dan staf koordinator serta
Asisten laboratorium Teknik Informatika, yang telah mengajarkan dan
memberikan banyak ilmu dangan tulus dan dukungan untuk
menyelesaikan penulisan skripsi ini.
8. Bapak, Ibu, Adik yang selalu mendoakan dan memberikan motivasi
dan dorongan semangat sehingga penulisan skripsi ini dapat
terselesaikan dengan baik.
9. Teman-teman Teknik Informatika seluruh angkatan 2008 Universitas
Islam Negeri Maulana Malik Ibrahim Malang.
x
10. Teman-temanku semua di Ma’had Sunan Ampel Al-Ali Universitas
Islam Negeri Maulana Malik Ibrahim Malang.
11. Semua pihak yang tidak bisa disebutkan namanya satu persatu , yang
telah menjadi motivator demi terselesaikannya penyusunanan skripsi
ini.
Penulis sadar bahwa tidak ada sesuatupun yang sempurna kecuali Allah
SWT. Oleh karena itu, dengan senang hati penulis menerima kritik dan saran yang
bersifat membangun. Semoga skripsi ini bermanfaat bagi penulis dan bagi
pembaca pada umumnya. Amin.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.
Malang, 18 Juni 2015 Penulis, Eko Suhartono NIM. 08650012
xi
DAFTAR ISI
HALAMAN JUDUL ............................................................................................. i
HALAMAN PENGAJUAN ................................................................................. ii
HALAMAN PERSETUJUAN ........................................................................... iii
HALAMAN PENGESAHAN ..............................................................................iv
HALAMAN PERNYATAAN KEASLIAN TULISAN ...................................... v
HALAMAN MOTTO .......................................................................................... vi
HALAMAN PERSEMBAHAN ........................................................................ vii
KATA PENGANTAR ....................................................................................... viii
DAFTAR ISI ........................................................................................................ xi
DAFTAR GAMBAR .......................................................................................... xiv
DAFTAR TABEL ................................................................................................ xv
DAFTAR LAMPIRAN ...................................................................................... xvi
ABSTRAK ........................................................................................................ xvii
ABSTRACT ...................................................................................................... xviii
BAB I PENDAHULUAN ................................................................................... 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Rumusan Masalah ..................................................................................... 4
1.3 Tujuan Penelitian ....................................................................................... 5
1.4 Manfaat Penelitian ..................................................................................... 5
1.5 Batasan Masalah ........................................................................................ 5
1.6 Sistematika Penulisan ................................................................................ 6
BAB II TINJAUAN PUSTAKA ........................................................................... 8
2.1 Pengertian Simulasi .................................................................................. 8
2.2 Pengertian Pertumbuhan Tanaman ........................................................... 8
2.3 Tanaman Krisan (Chrysanthemum spp) ................................................... 10
2.3.1 Jenis dan Varietas Tanaman Krisan (Chrysanthemum spp) .......... 12
2.3.2 Manfaat Tanaman Krisan (Chrysanthemum spp) .......................... 16
2.3.3 Iklim Tanaman Krisan (Chrysanthemum spp) .............................. 16
xii
2.3.4 Media Tanaman Krisan (Chrysanthemum spp) ............................. 17
2.3.5 Ketinggian Tanaman Krisan (Chrysanthemum spp) ..................... 17
2.4 Pupuk Urea (NH2 CONH2) ..................................................................... 17
2.4.1 Kegunaan Pupuk Urea (NH2 CONH2) ........................................... 18
2.4.2 Gejala Kekurangan Pupuk Urea (NH2 CONH2) ............................ 18
2.5 XL-System ............................................................................................... 19
2.5.1 L-System ........................................................................................ 20
2.5.2 Bahasa Pemrograman XL .............................................................. 21
2.5.3 Penulisan Berulang (Rewriting Systems) ...................................... 22
2.5.4 Deterministic dan Context-Free L-System (DOL) ......................... 23
2.5.5 Context Sensitive L-System ............................................................ 24
2.6 Normalisasi Data ..................................................................................... 24
2.7 Gambaran Umum Jaringan Syaraf Tiruan (Neural Network) ................. 26
2.7.1 Jaringan Perceptron ....................................................................... 36
2.7.2 Jaringan Multilayer Perceptron ..................................................... 39
2.8 GroImp (Growth Grammar-related Interactive Modelling Platform) .... 43
2.9 Integrasi Islam ......................................................................................... 43
BAB III METODE PENELITIAN .................................................................. 45
3.1 Metodelogi Penelitian ............................................................................. 45
3.1.1 Objek Penelitian ............................................................................ 47
3.1.2 Variabel Penelitian ........................................................................ 47
3.1.3 Tempat dan Waktu ........................................................................ 47
3.1.4 Alat dan Bahan .............................................................................. 48
3.2 Prosedur Pelaksanaan Penelitian ............................................................. 48
3.2.1 Persiapan Lahan ............................................................................. 48
3.2.2 Penyiapan Bibit Tanaman .............................................................. 49
3.2.3 Penanaman dan Pemeliharaan ....................................................... 52
3.3 Pengamatan ............................................................................................. 54
3.4 Desain Sistem .......................................................................................... 55
3.5 Tahap Implementasi ................................................................................ 59
xiii
BAB IVANALISA DAN PEMBAHASAAN ..................................................... 61
4.1 Analisis Data ........................................................................................... 61
4.2 Pengolahan Data ..................................................................................... 62
4.3 Penentuan Parameter Jaringan ................................................................ 64
4.3.1 Memilih Learning Rate yang ideal ................................................ 64
4.3.2 Memilih Neuron yang ideal ........................................................... 70
4.3.3 Perhitungan Multilayer Perceptron ................................................ 72
4.4 Implementasi Program ............................................................................ 80
4.4.1 Instalasi Program ........................................................................... 80
4.4.2 Pembuatan Program ....................................................................... 81
4.5 Hasil Program ......................................................................................... 94
4.6 Evaluasi Program .................................................................................... 96
4.7 Kajian Program Dalam Perspektif Islam ............................................... 101
BAB V KESIMPULAN DAN SARAN ......................................................... 108
5.1 Kesimpulan ........................................................................................... 108
5.2 Saran ..................................................................................................... 108
DAFTAR PUSTAKA ........................................................................................ 110
LAMPIRAN ....................................................................................................... 114
xiv
DAFTAR GAMBAR
Gambar 2.1 Krisan Sp Puma Putih (Chrysanthemum Reagent White) ................. 12
Gambar 2.2 Skema Sederhana XL-system ........................................................... 19
Gambar 2.3 Konstruksi dari Snowflake Curve ..................................................... 22
Gambar 2.4 Contoh dari Aturan Produksi dari DOL System .............................. 23
Gambar 2.5 Arsitekur Neural Network .................................................................. 28
Gambar 2.6 Single LayerNeural Network .............................................................. 29
Gambar 2.7 Multilayer Neural Network ................................................................ 30
Gambar 2.8 Lapisan Kompetitif ............................................................................ 31
Gambar 2.9 Fungsi Tangga Biner ......................................................................... 32
Gambar 2.10 Fungsi Linier ................................................................................... 33
Gambar 2.11 Fungsi Gauss .................................................................................... 33
Gambar 2.12 Fungsi Sigmoid Unipolar ................................................................. 34
Gambar 2.13 Fungsi Sigmoid Bipolar ................................................................... 35
Gambar 2.14 Fungsi Hyperbolic Tangent .............................................................. 36
Gambar 2.15 Fungsi Single Layer Perceptron ...................................................... 37
Gambar 2.16 Arsitektur Jaringan Multilayer Perceptron ...................................... 39
Gambar 3.1 Rancangan Penanaman ...................................................................... 48
Gambar 3.2 Bibit tanaman Chrysanthemum Puma Putih ...................................... 51
Gambar 3.3 Bibit tanaman Chrysanthemum Puma Putih yang dicelupkan
akarnya dengan zat perangsang akar (rootone) ..................................................... 51
Gambar 3.4 Desain Sistem ..................................................................................... 56
Gambar 3.5 Desain Alur Sistem Keseluruhan Proses Program ............................ 57
Gambar 3.6 Diagram Alur Sistem Keseluruhan Proses Program ......................... 58
Gambar 3.7 Desain Simulasi ................................................................................. 60
Gambar 3.8 Desain Grafik Pertumbuhan ............................................................... 60
Gambar 4.1 Struktur Neural Network ................................................................... 72
Gambar 4.2 Screenshoot pada nilai epoch, MSE dan SSE proses pembelajaran .. 77
Gambar 4.3 Screenshoot pada Grafik MSE ........................................................... 78
Gambar 4.4 Screenshoot pada hasil pembelajaran ................................................. 78
xv
Gambar 4.5 Screenshoot pada Grafik hasil pembelajaran ..................................... 79
Gambar 4.6 Texture Tanaman (a)Batang dan (b)Daun ......................................... 87
Gambar 4.7 Hasil Simulasi Pertumbuhan Tanaman Krisan .................................. 94
Gambar 4.8 Sebelum Program Disimulasikan ....................................................... 95
Gambar 4.9 Setelah Program Disimulasikan ......................................................... 95
xvi
DAFTAR TABEL
Tabel 3.1 Rancang Perlakuan ........................................................................... 52
Tabel 3.2 Jadwal Pelaksanaan Penelitian ......................................................... 55
Tabel 4.1 Data Tanaman Perlakuan Keempat dan Pengambilan Data Terakhir 62
Tabel 4.2 Data Tanaman Hasil Normalisasi dengan Decimal Scaling............. 63
Tabel 4.3 Parameter yang digunakan MLP untuk penentuan Learning Rate . 64
Tabel 4.4 Hasil 1 running program untuk perbandingan learning rate, epoch,
MSE dan tanaman yang di simulasikan ............................................................... 65
Tabel 4.5 Hasil 4 running program untuk perbandingan learning rate (LR),
epoch dan tanaman yang di simulasikan. ............................................................... 66
Tabel 4.6 Hasil 5 running program untuk perbandingan jumlah hidden
neuron, learning rate, pola simulasi, epoch dan MSE ....................................... 70
Tabel 4.7 Hasil dari Normalisasi Data ............................................................ 73
Tabel 4.8 Hasil Pembelajaran .......................................................................... 79
Tabel 4.9 Penjelasan Perhitungan Pada Perlakuan Pertama dan Pengambilan
Data Terakhir ..................................................................................................... 96
Tabel 4.10 Penjelasan Perhitungan Pada Perlakuan Pertama dan Pengambilan
Data Terakhir ..................................................................................................... 97
Tabel 4.11 Penjelasan Perhitungan Pada Perlakuan Kedua dan Pengambilan Data
Terakhir ................................................................................................................. 98
Tabel 4.12 Penjelasan Perhitungan Pada Perlakuan Ketiga dan Pengambilan Data
Terakhir ................................................................................................................. 99
Tabel 4.13 Penjelasan Perhitungan Pada Perlakuan Keempat dan Pengambilan
Data Terakhir ...................................................................................................... 99
Tabel 4.14 Hasil Akhir Perbandingan MAPE ................................................... 100
xvii
DAFTAR LAMPIRAN
Lampiran 1 : Data Observasi ............................................................................... 114
Lampiran 2 : Data yang Dipakai ......................................................................... 122
Lampiran 3 : Data Uji Coba ................................................................................ 126
Lampiran 4 : Revisi Simulasi Pertumbuhan Tanaman Berdasarkan Pemberian Dosis Urea dan Penyiraman pada Jumlah Daun, Panjang Batang dan Tinggi Tanaman .............................................................................................................. 130
Lampiran 5 : Grafik Perbandingan Panjang Batang, Jumlah Daun, Tinggi Tanaman & Rata-rata Per-Perlakuan .................................................................. 141
Lampiran 6 : Foto Kegiatan Penelitian di Lapangan .......................................... 143
Lampiran 7 : Surat Izin Penelitian ...................................................................... 142
xix
ABSTRACT
Suhartono, Eko. 2015 0850012. Chrysanthemum Plant Growth Simulation
Against Giving Urea Dosing And Watering Using Neural Network Based System XL. Department of Informatics, Faculty of Science and Technology, State Islamic University of Maulana Malik Ibrahim Malang.
Advicer : (I) Dr. Suhartono, M.Kom (II) Dr. Munirul Abidin, M.Ag.
Keywords: Neural Network, Growth Simulation Chrysanthemum, Urea, and XL-System. To study the growth of the modern era, this plant has been used in the form of 3D visualization technology into the computer. In this study been chrysanthemum has a good prospect in the business of ornamental flowers. Simulation of the chrysanthemum plant growth dosing of urea fertilizer and watering using a neural network-based xl-system was done to find the value of the approach by combining the dose of fertilizer to the watering in order to obtain the three variables of training data. Two of them as input data (long stem and many leaves) and the other as an output target of plant height. From the results of program evaluations proved that the combination of four dosing of urea fertilizer and watering obtained a simulation with the smallest percentage error rate compared to the other three combinations with a value of 12.31 %.
xviii
ABSTRAK
Suhartono, Eko. 2015. 0850012. Simulasi Pertumbuhan Tanaman Krisan
Terhadap Pemberian Dosis Pupuk Urea Dan Penyiraman Menggunakan Neural Network Berbasis XL System. Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.
Pembimbing (I) Dr. Suhartono, M.Kom (II) Dr. Munirul Abidin, M.Ag.
Kata Kunci : Neural Network, Simulasi Pertumbuhan Krisan, Pupuk Urea, dan
XL-System.
Untuk mempelajari pertumbuhan tanaman dizaman modern ini sudah
menggunakan teknologi visualisasi dalam bentuk 3D ke dalam komputer. Pada penelitian ini dipilih tanaman krisan yang mempunyai prospek yang bagus dalam bisnis bunga hias.
Simulasi pertumbuhan tanaman krisan pada pemberian dosis pupuk urea
dan penyiraman menggunakan neural network berbasis xl system ini dilakukan untuk mencari nilai pendekatan dengan mengkombinasikan antara dosis pupuk dengan penyiraman sehingga diperoleh tiga variabel data pelatihan. Dua diantaranya sebagai data input (panjang batang dan banyak daun) dan satunya sebagai output target yaitu tinggi tanaman.
Dari hasil evaluasi program membuktikan bahwa dari empat kombinasi
pemberian dosis pupuk urea dan penyiraman diperoleh satu simulasi dengan prosentase rate error paling kecil dibanding tiga kombinasi lainnya dengan nilai mencapai 12.31 %.
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Krisan merupakan salah satu jenis tanaman hias yang dibudidayakan oleh
para petani bunga di Indonesia karena mempunyai keanekaragaman bentuk bunga
dan warna yang indah. Menurut (Ika Kurniawati Y, 2007: Budi Daya Tanaman
Krisan. Hal.1) tanaman ini memiliki keunggulan, yaitu bunga krisan mempunyai
variasi bentuk dan warna yang begitu menakjubkan, seolah-olah tidak ada
berhentinya varietas baru yang dikembangkan. Hal yang membuat takjub ini
sesuai dengan Al-Qur’an surat Asy Syu’araa’ ayat 7 dan 8 yang berbunyi :
Artinya : “(7.) dan Apakah mereka tidak memperhatikan bumi, berapakah
banyaknya Kami tumbuhkan di bumi itu pelbagai macam tumbuh-tumbuhan yang
baik? (8.) Sesungguhnya pada yang demikian itu benar-benar terdapat suatu
tanda kekuasaan Allah. dan kebanyakan mereka tidak beriman.”
Dalam Tafsir Ibnu Katsir Jilid 6 halaman 141 dijelaskan bahwa Allah SWT
mengingatkan kebesaran kekuasaan-Nya dan keagungan kemampuan-Nya kepada
umat manusia bahwa Dialah Yang Maha Perkasa, Maha Agung lagi Maha Kuasa
yang telah menciptakan bumi dan menumbuhkan di dalamnya tumbuh-tumbuhan
2
yang baik berupa tanam-tanaman, buah-buahan dan hewan. Dan di ayat 8 pada
QS. Surat Asy Syu’araa’ yaitu tanda atas kekuasaan Maha Pencipta segala sesuatu
yang telah membentangkan bumi dan meninggikan bangunan langit. Di samping
itu, kebanyakan manusia tidak beriman, bahkan mereka mendustakan para rasul
dan kitab-kitabnya serta melanggar perintah-Nya dan bergelimang dalam
larangan-Nya.
Dan Allah SWT juga mengatakan tentang keindahan tanaman yang lainnya
pada Al-Quran surat Al Qaaf ayat 7 dan 8 yang berbunyi :
Artinya : “(7.) dan Kami hamparkan bumi itu dan Kami letakkan padanya
gunung-gunung yang kokoh dan Kami tumbuhkan padanya segala macam
tanaman yang indah dipandang mata, (8.) untuk menjadi pelajaran dan
peringatan bagi tiap-tiap hamba yang kembali (mengingat Allah).” (QS. Al Qaaf
ayat 7 – 8)
Dalam Tafsir Ibnu Katsir Jilid 7 halaman 506 dijelaskan bahwa Surat Al
Qaaf ayat 7 hingga 8 ini menunjukkan bahwa semua keindahan pada tanaman
yang dilihat manusia untuk dapat dijadikan pelajaran dan peringatan agar kembali
mengingat Allah SWT.
Sehingga peneliti berharap bahwa dengan melakukan pengamatan dan
penelitian terhadap tanaman krisan tidak serta merta hanya menambah kelimuan
namun juga akan menambah rasa keimanan pada setiap diri manusia.
3
Manfaat pada kesehatan yang dapat diambil dari beberapa varietas Krisan
atau Chrysanthemum adalah berkasiat sebagai obat, antara lain untuk mengobati
sakit batuk, nyeri perut, dan sakit kepala akibat peradangan rongga sinus
(sinusitis) dan sesak napas (Rukmana dan Mulyana, 1997; Anonim, 2000).
Pada bidang ekonomi, tanaman hias ini juga dapat menjadi salah satu
sumber rezki bagi petani bunga karena dapat memperoleh keuntungan yang relatif
tinggi dari segi hasil penjualannya. Namun dalam laju perkembangan teknologi
yang berpengaruh pada persaingan global dalam dunia bisnis terutama di sektor
pertanian akan menjadi tantangan terberat pada pembudidayaan tanaman krisan
agar hasilnya menjadi lebih maksimal.
Pengembangan budidaya tidak hanya terbatas pada bidang holtikultura
tetapi juga merambah kepada bidang yang lainya. Akhir-akhir ini banyak inovasi
yang dikembangkan terkait dengan pemanfaatan tanaman Chrysanthemum.
Tanaman Chrysanthemum tidak hanya dimanfaatkan bunganya saja tetapi bagian
lain dari tanaman ini juga bisa dimanfaatkan, seperti daun tanaman
Chrysanthemum. Daun tanaman ini digunakan sebagai bahan minuman yaitu teh
daun Chrysanthemum. Disamping itu juga telah dikembangkan pembuatan
makanan dari daun Chrysanthemum diantaranya kripik daun Chrysanthemum dan
puding dari daun Chrysanthemum. Tinggi dan luasnya kesempatan dalam
mengembangkan tanaman Chrysanthemum berdampak pada terbukanya
kesempatan usaha yang lainya (Albab, Moh. Ulil.2012).
Pemodelan pertumbuhan tanaman yang menggambarkan unsur hayati
tanaman yang bersifat dinamis dan kompleks akan sangat sulit didekati dengan
4
persamaan matematis dan geometric konvensional. Dari kesimpulan ini, para
ilmuwan sekarang telah mematahkan dengan kesimpulan bahwa proses alami
sistem hidup pertumbuhan tanaman secara biologis dan bersifat kompleks yang
dipengaruhi oleh karakteristik lingkungan, telah mampu dianalisis dan disintesis
dalam bentuk pemodelan kehidupan buatan yang meyerupai lingkungan
alamiahnya dengan pendekatan XL-System (Chuldi, Moh. Prasetya. 2012).
XL-System mempunyai parameter dan aturan dalam mendefiniskan
kompleksitas pertumbuhan sebuah tanaman yang divisualisasikan kedalam
aplikasi perangkat lunak yaitu GroImp. Dengan menambahkan metode Neural
Network atau Jaringan Syaraf Tiruan akan memberikan bentuk pemodelan yang
berbeda dengan peneliti sebelumnya.
Dengan membuat program simulasi pertumbuhan tanaman krisan pada
pemberian macam perlakuan tanaman yang berbeda terhadap faktor komposisi
pupuk dan kadar penyiraman diharapkan dapat memberikan identifikasi
pertumbuhan beserta visualisasi tanaman secara grafis yang berbeda berdasarkan
aturan XL-System yang dikombinasikan dengan metode Neural Network.
1.2 Rumusan Masalah
Dari penjelasan latar belakang diatas dapat diambil rumusan masalah
tentang bagaimana membagun simulasi pertumbuhan tanaman krisan terhadap
faktor pemberian dosis pupuk urea dan kadar penyiraman menggunakan Neural
Network berbasis XL System ?
5
1.3 Tujuan Penelitian
Untuk membuat simulasi pertumbuhan tanaman Chrysanthemum pada
pemberian dosis pupuk urea dan kadar penyiraman menggunakan Neural Network
berbasis XL system.
1.4 Manfaat Penelitian
1. Dapat dijadikan bahan evaluasi untuk memperoleh dosis pemupukan
UREA dan penyiraman yang tepat untuk memperoleh hasil tanaman
yang terbaik dan memberikan penjelasan secara simulasi bagaimana
tanaman chrysanthemum puma putih jika menggunakan dosis pupuk
yang tidak sesuai standar.
2. Dapat mengetahui pertumbuhan tanaman secara simulasi terhadap
berbagai macam dosis pemupukan dan penyiraman.
3. Dapat mengetahui penggunaan Neural Network untuk proses simulasi
pertumbuhan tanaman.
1.5 Batasan Masalah
Dari permasalahan diatas, dapat diberikan batasan masalah sebagai berikut:
1. Obyek yang digunakan adalah bunga chrysanthemum puma putih.
2. Variabel bebas dalam penelitian ini adalah dosis pupuk urea dan kadar
penyiraman. Sedangkan variabel terikatnya yaitu pertumbuhan
Chrysanthemum dengan indikator yakni panjang batang, jumlah daun
dan tinggi tanaman.
6
3. Dosis pupuk urea terdiri dari 1 gram/liter dan 2 gram/liter. Dengan
penyiraman yang bervariasi pagi hari dan sore hari.
4. Penanaman dan penelitian dilakukan di Green House.
5. Umur tanaman dibatasi sampai dengan 29 hari.
6. Komputer yang digunakan adalah komputer dengan Operating System
Windows dengan prosesor dual core.
7. Aplikasi yang digunakan adalah groIMP 1.4.2-Interactive Modeling
Platform. Dengan menggunakan bahasa pemrograman XL-System.
1.6 Sistematika Penulisan
Untuk mempermudah pembahasan, maka laporan ini disusun berdasarkan
sistematika penulisan sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi Latar Belakang, Rumusan masalah, Tujuan Penelitian,
Manfaat Penelitian, Batasan Masalah, dan Sistematika Penulisan laporan
skripsi.
BAB II TINJAUAN PUSTAKA
Bab ini membahas teori yang mendukung dan berhubungan dengan judul
penelitian, yaitu simulasi, tanaman chrysanthemum (Krisan), pupuk Urea,
Neural Network dan XL System beserta GroImp.
7
BAB III : METODE PENELITIAN
Bab ini berisi tentang prosedur penelitian, perancangan sistem dan
pemecahan masalah sesuai dengan judul penelitian.
BAB IV ANALISA DAN PEMBAHASAN
Bab ini membahas tentang hasil penelitian yang sudah dilakukan di Green
House. Dimulai dari penyajian data aktual tanaman Chrysanthemum
Reagent White atau krisan puma putih serta data yang sudah diolah dengan
metode Neural Network. Pada implementasi program disajikan dalam
bentuk source code atau sumber kode program pemodelan berbasis XL-
System menggunakan GroImp. Di bagian akhir disajikan visualisasi tanaman
krisan dan grafik pertumbuhan tanaman.
BAB V KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan dari penelitian yang dilakukan serta saran
yang diharapkan dapat bermanfaat untuk pengembangan pembuatan
program dan perbaikan pada penelitian selanjutnya.
8
BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Simulasi
Simulasi adalah proses perancangan model dari suatu sistem nyata beserta
pelaksanaan eksperimen-eksperimen dengan model tersebut dengan tujuan
memahami tingkah laku sistem atau untuk menyusun strategi (dalam suatu batas
atau limit yang ditentukan oleh satu atau beberapa kriteria) sehubungan dengan
beroperasinya sistem tersebut. Sehingga model simulasi berisi tentang sebuah
perangkat uji coba akan menerapkan beberapa aspek penting, termasuk data masa
lalu, dalam memberikan alternatif tindakan yang mendukung pengambilan
keputusan (Djati, Bonett Satya Lelono, 2007, Hal. 10).
2.2 Pengertian Pertumbuhan Tanaman
Pertumbuhan tanaman merupakan hasil dari berbagai proses fisiologi,
melibatkan faktor genotype yang berinteraksi dalam tubuh tanaman dengan faktor
lingkungan. Proses tersebut yaitu pertambahan ukuran, bentuk dan jumlah. Ciri-
ciri pertumbuhan pada tanaman yang tampak sebagai fenotype utamanya
dipengaruhi oleh faktor genotype, sedangkan cirri-ciri lainnya ditentukan oleh
pengaruh lingkungan sehingga pertumbuhan merupakan fungsi genotype x
lingkungan. Dalam usaha pertanian, aspek pertumbuhan tanaman mengacu pada
tujuan utamanya yaitu memaksimalkan laju pertumbuhan melalui manipulasi
genetik dan lingkungan.
9
Faktor-faktor yang mempengaruhi pertumbuhan dibagi menjadi dua
diantaranya faktor dalam dan faktor luar (Albab, Moh Ulil, 2012).
a. Faktor Luar yaitu cahaya, air, mineral, kelembapan dan suhu.
b. Faktor Dalam yaitu hormon dan faktor hereditas.
Di jelaskan di dalam Al-Qur’an bahwa Allah SWT berfirman :
Artinya : dan berilah perumpamaan kepada mereka (manusia), kehidupan
dunia sebagai air hujan yang Kami turunkan dari langit, Maka menjadi subur
karenanya tumbuh-tumbuhan di muka bumi, kemudian tumbuh-tumbuhan itu
menjadi kering yang diterbangkan oleh angin. dan adalah Allah, Maha Kuasa
atas segala sesuatu. (QS. Al-Kahfi ayat 45)
Pada Tafsir Ibnu Katsir jilid 5 halaman 263 dijelaskan bahwa Allah SWT
berfirman, ( ) “Berilah, “ hai Muhammad kepada umat manusia,
( ) “Perumpamaan kepada mereka kehidupan dunia.” Yakni,
dalam kehancuran, kefanaan dan keberakhirannya “air hujan yang Kami turunkan
dari langit, Maka menjadi subur karenanya tumbuh-tumbuhan di muka bumi,”
Yakni, semua yang ada di dalamnya, berupa biji-bijian, lalu tumbuh indah dan
meninggi serta menjadi bunga. Setelah itu, semuanya, “menjadi kering yang
diterbangkan oleh angin.” Yakni diporakporandakan dan diterbangkan ke kanan
dan ke kiri. “dan adalah Allah, Maha Kuasa atas segala sesuatu.” Maksudnya,
10
Dia Mahakuasa untuk menjadikan keadaan seperti itu. Seringkali Allah
memberikan perumpamaan tentang kehidupan dunia ini dengan perumpamaan
tersebut.
2.3 Tanaman Krisan (Chrysanthemum spp)
Bunga Krisan merupakan salah satu bunga yang paling lama dikenal dan
dibudayakan dalam sejarah holtikultura. Fakta yang menunjukkan bahwa
budidaya tanaman krisan telah ada di Cina dan Jepang sekitar 3000 tahun yang
lalu. Tanaman krisan mempunyai nama ilmiah Chrysanthemum spp. Nama
tersebut berasal dari Yunani yang berarti keemasan (Kurniawati Y, Ika, 2007, Hal.
iii).
Disamping memiliki keindahan karena keragaman bentuk dan warnanya.
bunga krisan juga memiliki kesegaran yang relatif lama dan mudah dirangkai.
Keunggulan lain yang dimiliki adalah bahwa pembungaan dan panennya dapat
diatur menurut kebutuhan pasar. Dengan banyaknya keindahan dan kelebihan
tanaman ini Allah SWT berfirman dalam surah Ar Ra’du : 4.
Artinya : “Dan di bumi Ini terdapat bagian-bagian yang berdampingan,
dan kebun-kebun anggur, tanaman-tanaman dan pohon korma yang bercabang
dan yang tidak bercabang, disirami dengan air yang sama. kami melebihkan
11
sebahagian tanam-tanaman itu atas sebagian yang lain tentang rasanya.
Sesungguhnya pada yang demikian itu terdapat tanda-tanda (kebesaran Allah)
bagi kaum yang berfikir.” (TQS. Ar Ra’du : 4)
Dari TQS. Ar Ra’du ayat 4, dapat disimpulkan bahwa Allah SWT
menjelaskan air merupakan sebab bagi tumbuhnya segala macam tumbuh-
tumbuhan yang beraneka ragam bentuk jenis dan kelebihanya masing-masing. Ini
semua adalah tanda-tanda kebesaran Allah SWT supaya manusia dapat
mengetahui betapa besar kekuasaan Allah SWT mengatur kehidupan tanaman-
tanaman itu. Manusia yang suka memperhatikan siklus peredaran air akan dapat
mengetahui betapa tingginya hukum-hukum Allah. Hukum-Nya berlaku secara
tetap dan berlangsung terus tanpa henti-hentinya, sampai tiba saat yang telah
ditentukan (Chuldi, Moch Prasetya, 2012).
Kemudian disebutkan pula perincian dari tumbuh-tumbuhan yang beraneka
ragam itu di antaranya ialah rerumputan yang tumbuh berumpun-rumpun sehingga
kelihatan menghijau. Jenis yang lain dari tumbuh-tumbuhan itu ialah pohon palem
yang mengeluarkan buah yang terhimpun dalam sebuah tandan yang menjulai
rendah sehingga mudah dipetik. Jenis yang lain lagi dan jenis tumbuh-tumbuhan
yang beraneka ragam itu ialah anggur, zaitun, dan delima. Jenis buah-buahan ini
disebutkan secara beruntun karena masing-masing ada yang mempunyai
persamaan dan perbedaan, sifat, bentuk dan rasanya, sehingga ada yang berwarna
kehitam-hitaman dan ada pula yang berwarna kehijau-hijauan. Ada yang berdaun
agak lebar, dan ada pula yang berdaun agak kecil, begitu pula ada yang rasanya
manis dan ada yang asam. Kesemuanya itu adalah untuk menunjukkan agar
12
manusia memperhatikan tumbuh tumbuhan yang beraneka ragam itu. Pada saat
berbuah bagaimana buah-buahan itu tersembul dan batang atau rantingnya,
kemudian merekah sebagai bunga, setelah nampak buahnya, akhirnya menjadi
buah yang sempurna (matang) (Zulqifli, Fahrizal, 2011).
Gambar 2.1 Krisan Sp Puma Putih (Chrysanthemum Reagent White)
(Sumber : Dokumentasi peneliti)
2.3.1 Jenis dan Varietas Tanaman Krisan (Chrysanthemum spp)
Klasifikasi botani tanaman hias Chrysanthemum Reagent White adalah
sebagai berikut (Kurniawati Y, Ika, 2007, Hal. 13) :
Kingdom : Plantae (tumbuh-tumbuhan)
Divisi : Spermathophyta (tumbuhan berbiji)
13
Sub Divisi : Angiospermae (berbiji tertutup)
Klas : Dycotiledonae (berbiji berkeping dua)
Ordo : Asterales
Famili : Asteraceae
Genus : Chrysanthemum
Species : C. morifolium Ramat, C. indicum, C. Daisy, C.roseum,
C. Reagent White, C. maxium, C. coccineum, dan lain-lain.
Ada sekitar lebih dari seribu varietas krisan yang dikenal dan tersebar di
seluruh dunia. Padahal, tanaman krisan semula hanya digemari oleh masyarakat
Cina. Ternyata, orang jepang juga terlebih dahulu membudidayakan krisan.
Bahkan, menjadikan krisan sebagai symbol kekaisaran Jepang dan disebut sebagai
Queen of the East. Beberapa waktu berikutnya, tanaman krisan pun menyebar ke
kawasan Eropa, kemudian Asia. Tanaman krisan masuk ke Indonesia pada abad
ke-17, tetapi baru mulai dikembangkan tahun 1940 didaerah Cianjur, Lembang,
Cisarua Brastagi dan Bandungan.
Krisan adalah bukan tanaman asli Indonesia sehingga sulit diperoleh pada
kondisi lingkungan yang tepat. Ahli peneliti utama pada Balai Penelitian Tanaman
Hias Kementerian Pertanian di Segugung, kecamatan Pacet, Cianjur telah berhasil
menemukan 19 varietas baru krisan yang telah dikembangkan para petani.
Berdasarkan hasil persilangan dua varietas antara varietas tua dari Belanda
bernama Town Talk dengan Saraswati di Instalasi Penelitian Tanaman Hias di
Cipanas telah diperoleh dua jenis bunga terbagus dan diberi nama Puspita
Kencana serta Pustpita Nusantara.
14
Untuk mendapatkan varietas unggul bunga krisan tidaklah mudah, karena
krisan bukan tanaman asli Indonesia, maka keberhasilan pembentukan biji sulit
tercapai. Di luar negeri, pemuliaan bunga krisan membutuhkan rumah kaca yang
suhunya sudah diatur 170 C dengan penyinaran penuh selama 15 jam perhari
(Kurniawati Y, Ika, 2007, Hal. 21).
Jenis dan varietas tanaman krisan di Indonesia umumnya hibrida yang
berasal dari Belanda, Amerika Serikat dan Jepang. Tanaman krisan yang ditanam
di Indonesia antara lain sebagai berikut :
a. Krisan Lokal (Krisan Kuno)
Krisan lokal berasal dari luar negeri, tetapi telah lama dan
beradaptasi di lingkungan tropis Indonesia maka dianggap sebagai krisan
lokal. Ciri-cirinya antara lain sifat hidupnya di hari netral dan siklus
hidupnya antara 7 – 12 bulan dalam satu kali penanaman. Contoh krisan
lokal adalah Chrysanthemum maximum yang berbunga kuning banyak
ditanam di Lembang, Jawa Barat dan berbunga putih di Cipanas
(Cianjur) Jawa Barat (Kurniawati Y, Ika, 2007, Hal. 21).
b. Krisan Introduksi (Krisan Modern atau Krisan Hibrida)
Ciri khas krisan introduksi antara lain sifat hidupnya berhari
pendek, siklus hidupnya relatif singkat, dan bersifat sebagai tanaman
annua. Contoh krisan introduksi antara lain Chrysanthemum indicum
hybr. Dark Flamingo, C. indicum hybr. Dolaroid, C. indicum hybr.
Indianapolis (berbunga kuning), Cossa, Clingo, Alexandra Van Zaal
15
(berbunga merah), Fleyer (berbunga putih), dan Pink Pingpong
(berbunga putih) (Kurniawati Y, Ika, 2007, Hal. 23).
c. Krisan Produksi Indonesia
Balai Penelitian Tanaman Hias di Cipanas telah melepas varietas
krisan buatan Indonesia, yaitu varietas Balithi 27.108, 27.177,28.7, dan
30.13A.
Dengan sarana penelitian, dapat diteliti berbagai varietas krisan. Proses
perkawinan bunga krisan hingga menjadi tunas bunga membutuhkan waktu
setahun. Selama masa pertumbuhan, biji bunga hasil pemuliaan diletakkan di
media sekam bakar (kulit padi) bercampur humus bambu dan tanah yang telah di
sterilisasi. Oleh karena krisan merupakan tanaman hari pendek, maka hiji
tanamannya harus diterangi lampu untuk merangsang pertumbuhannya, yaitu
mulai dari biji diindukkan, disetek, lalu diakarkan menggunakan lampu. Setelah
itu lampunya dimatikan.
Pada masa yang akan datang kemungkinan juga akan banyak bermunculan
aneka jenis atau varietas krisan baru yang komersial dan sesuai dengan selera atau
permintaan konsumen. Adanya program pemuliaan tanaman krisan tidak hanya
mengembangkan varietas – varietas baru yang didasarkan atas pemilihan karakter-
karakter unggul, seperti bentuk dan warna bunga. Namun, juga diarahkan untuk
mendapatkan varietas krisan yang dapat berbunga sepanjang tahun (Kurniawati Y,
Ika, 2007, Hal. 24).
16
2.3.2 Manfaat Tanaman Krisan (Chrysanthemum spp)
Kegunaan tanaman Chrysanthemum yang utama adalah sebagai bunga hias.
Manfaat lain adalah sebagai tumbuhan obat tradisional dan penghasil racun
serangga. Sebagai bunga hias, Chrysanthemum di Indonesia digunakan sebagai:
Bunga pot : Ditandai dengan sosok tanaman kecil, tingginya 20-40 cm,
berbunga lebat dan cocok ditanam di pot, polibag atau wadah lainnya. Contoh
Chrysanthemum mini (diameter bunga kecil) ini adalah varietas Lilac Cindy
(bunga warna ping keungu-unguan), Pearl Cindy (putih kemerah-merahan), White
Cindy (putih dengan tengahnya putih kehijau-hijauan), Applause (kuning cerah),
Yellow Mandalay (semuanya dari Belanda). Chrysanthemum introduksi berbunga
besar banyak ditanam sebagai bunga pot, terdapat 12 varitas Chrysanthemum pot
di Indonesia, yang terbanyak ditanam adalah varietas Delano (ungu), Rage
(merah) dan Time (kuning).
Bunga potong : itandai dengan sosok bunga berukuran pendek sampai
tinggi, mempunyai tangkai bunga panjang, ukuran bervariasi (kecil, menengah
dan besar), umumnya ditanam di lapangan dan hasilnya dapat digunakan sebagai
bunga potong. Contoh bunga potong amat banyak antara lain Inga, Improved
funshine, Brides, Green peas, Great verhagen, Puma, Reagent, Cheetah, Klondike
dll (Sjamsudin, Wahid, 2010).
2.3.3 Iklim Tanaman Krisan (Chrysanthemum spp)
Tanaman Chrysanthemum membutuhkan air yang memadai, tetapi tidak
tahan terhadap terpaan air hujan. Oleh karena itu untuk daerah yang curah
17
hujannya tinggi. Penanaman dilakukan di dalam bangunan rumah plastik. Untuk
pembungaan dibutuhkan cahaya yang lebih lama yaitu dengan bantuan cahaya
dari lampu TL dan lampu pijar. Penambahan penyinaran yang paling baik adalah
tengah malam antara jam 22.30 s.d. 01.00 dengan lampu 150 watt untuk areal 9
𝑚2dan lampu dipasang setinggi 1,5 m dari permukaan tanah. Periode pemasangan
lampu dilakukan sampai fase vegetatif (2-8 minggu) untuk mendorong
pembentukan bunga.
2.3.4 Media Tanaman Krisan (Chrysanthemum spp)
Tanah yang ideal untuk tanaman Chrysanthemum adalah bertekstur liat
berpasir, subur, gembur dan drainasenya baik, tidak mengandung hama dan
penyakit. Derajat keasaman tanah yang baik untuk pertumbuhan tanaman sekitar
5,5-6,7 (Sjamsudin, Wahid, 2010).
2.3.5 Ketinggian Tanaman Krisan (Chrysanthemum spp)
Menurut Standar Operasional Prosedur Produksi Benih Krisan (Balai
Pengkajian Teknologi Pertanian Yogyakarta, 2009, Hal. I-2) Ketinggian tempat
yang ideal untuk budidaya tanaman ini berkisar antara 400–1200 m dpl.
2.4 Pupuk Urea (NH2 CONH2)
Pupuk Urea adalah salah satu pupuk kimia yang mengandung Nitrogen (N)
dengan kadar tinggi. Unsur Nitrogen merupakan zat hara yang sangat diperlukan
tanaman. Pupuk ini berbentuk butir-butir kristal berwarna putih, dengan rumus
kimia NH2CONH2. Pupuk ini mempunyai sifat higroskopis yaitu sangat mudah
18
menghisap air dan mudah larut dalam air, karena itu sebaiknya disimpan di
tempat kering dan tertutup rapat. Pupuk ini mengandung unsur hara N sebesar
46% dengan pengertian setiap 100 kg urea mengandung 46 kg Nitrogen. Selain itu
juga mengandung kadar air sebanyak 0,50% dan kadar biuret sebanyak 1%
(Chuldi, Moch Prasetya, 2012).
2.4.1 Kegunaan Pupuk Urea (NH2 CONH2)
Unsur hara Nitrogen yang dikandung dalam pupuk Urea sangat besar
kegunaanya bagi tanaman. Beberapa manfaat itu diantaranya :
a. Membuat daun tanaman lebih hijau segar dan banyak mengandung butir
hijau daun (chlorophyl) yang mempunyai peranan sangat panting dalam
proses fotosintesis
b. Mempercepat pertumbuhan tanaman (tinggi, jumlah anakan, cabang dan
lain-lain)
c. Menambah kandungan protein tanaman
d. Dapat dipakai untuk semua jenis tanaman baik tanaman pangan,
holtikultura, tanaman perkebunan, usaha peternakan dan usaha perikanan
(Chuldi, Moch Prasetya, 2012).
2.4.2 Gejala Kekurangan Pupuk Urea (NH2 CONH2)
Sedangkan gejala akibat kekurangan unsur hara Nitrogen yang terjadi pada
tanaman yaitu:
a. Daun tanaman berwarna pucat kekuning-kunigan
19
b. Dalam keadaan kekurangan yang parah daun menjadi kering dimulai dari
daun bagian bawah terus ke bagian atas
c. Pertumbuhan tanaman lambat dan kerdil
d. Perkembangan buah tidak sempurna atau tidak baik, sering kali masak
sebelum waktunya (Chuldi, Moch Prasetya, 2012).
2.5 XL – System
XL-System (eXtended Lindenmayer System) merupakan penggabungan
konsep L-system dengan bahasa pemrograman XL. Bahasa pemrograman XL ini
sendiri merupakan bahasa pemrograman java yang mengimplementasikan
Relational Growth Grammars (RGG). XL dibangung dengan menggabungkan
bahasa java dan library java dan menerapkan algoritma L-system. Bahasa XL
biasa digunakan sebagai bahasa pemodelan untuk membuat model data yang
spesifik.
Gambar 2.2 Skema Sederhana XL-System
(Sumber : http://www.uni-forst.gwdg.de/~wkurth/sumsc10_t01.ppt)
imperative object oriented rule based
Java
XL
20
2.5.1 L – System
L-System atau Lindenmayer System dikemukakan pertama kali pada tahun
1968 oleh Aristid Lindenmayer dalam pengungkapan teori matematika untuk
pengembangan tanaman (Lindenmayer, A dan Prusinkiewiez, 2004). Smith
menggunakan Lindemayer System sebagai metoda untuk menyusun grafika
komputer dalam menghasilkan morfologi tanaman. Awalnya L-system
direncanakan untuk menyediakan sebuah uraian formal tentang pertumbuhan dari
organisme multiseluler yang sederhana atau tanaman tingkat rendah dan untuk
menggambarkan hubungan kedekatan di antara tanaman sel. Namun pada
perkembangan selanjutnya, sistem ini diperluas untuk mendeskripsikan tanaman
tingkat tinggi yang lebih detail dan struktur percabangan yang kompleks.
Grafika komputer secara lebih mendalam oleh Prusinkiewiez
mengaplikasikan metoda Lindenmayer System untuk menghasilkan visualisasi
realistik terhadap tanaman perdu yang ditunjukkan dalam bukunya ”Algoritmic
Beauty of Plant”. Lindenmayer System merupakan aturan formal yang disusun
sebagai gramatika yang dikarakteristikan dalam bentuk axioma, dan simbol-
simbol yang digunakan sebagai representasi pertumbuhan komponen tanaman
yang secara paralel terjadi pergantian pada masing-masing tahap.
L-System memungkinkan kompleksitas alam dapat didefinisikan dengan
beberapa parameter dan aturan. Hal ini disebabkan L-System memanfaatkan
tingkat kemiripan terhadap dirinya sendiri (self-similarity). L-System ini
bertujuan untuk memodelkan bentuk-bentuk pohon berupa dahan, dan
mendapatkan pola dari aturan-aturan yang membentuk jenis tanaman seperti
21
tanaman Chrysanthemum . Untuk menghasilkan suatu bentuk dengan metode ini
harus dilakukan dua langkah, yaitu aplikasi dari grammar untuk menghasilkan
string berisi struktur topologi dari tanaman dan interprestasi dari string tersebut.
Untuk langkah pertama, dilakukan dengan metode rekursif, dan untuk langkah
kedua, dilakukan dengan metode iteratif.
Framework dari L-System terdiri dari initial structure (inisialisasi
struktur) dan rewriting rules (aturan penulisan ulang). Inti pengembangannya
adalah penggantian secara paralel menggunakan rewriting rules yang ada.
Dimulai dari initial structure, L-System menggantikan setiap bagian dari struktur
yang ada dengan menerapkan rule secara sekuensial.
Gramatikal pada L-System terdiri dari 3 bagian ( ∑, h, w ), untuk ∑ adalah
anggota dari simbol, h aturan penulisan berulang dimana setiap simbol akan
diganti dengan string dari simbol, w axiom adalah mulai awal dari pertumbuhan.
2.5.2 Bahasa Pemrograman XL
Bahasa pemrograman XL ditemukan pertama kali oleh Robert W. Floyd
(1936-2001) pada tahun 1978. Bahasa pemrograman XL didefinisikan sebagai
perkembangan dari bahasa pemrograman Java. Jadi bahasa pemrograman XL
berawal dari konsep terstruktur, pemrograman modular dan berorientasi pada
objek yang merupakan dasar dari pemrograman java. Bahasa pemrograman XL
mengadosi seluruh bahasa pemrograman Java beserta library java. Hal ini
membuat bahasa pemrograman XL memiliki kekuatan yang sangat besar,
karena bahasa pemrograman Java dikenal sebagai bahasa dengan kualitas
22
tinggi, tersedia secara bebas, komponen antarmuka pengguna grafis, komunikasi
internet, 2D dan 3D grafis, dan dukungan XML.
Bahasa pemrograman XL mengadopsi tata bahasa pertumbuhan L-
System yang telah banyak digunakan dalam pemodelan tanaman yang kemudian
menyebabkan nama XL dapat dibaca sebagai extended L-system. Namun, dalam
aplikasinya bahasa pemrograman XL tidak terbatas pada grafik dan model
tanaman, bisa juga digunakan untuk sumber data relasional dengan
mengimplementasikan antarmuka model data grafik.
2.5.3 Penulisan berulang (Rewriting Systems)
Konsep utama dari L-Systems adalah penulisan berulang. Penulisan berulang
adalah teknik untuk mendifinisikan objek secara kompleks dengan cara mengganti
bagian dari objek dengan cara rewriting rule atau productions (Lindenmayer, A
dan Prusinkeiwiez, 1990). Contoh dari objek grafika yang didefinisikan secara
aturan rewriting adalah snowflake curve, pada tahun 1905 oleh von Koch
(Lindenmayer, A dan Prusinkeiwiez, 1990).
Gambar 2.3 Konstruksi dari Snowflake Curve
(Sumber : http://algorithmicbotany.org/papers/abop/abop-ch1.pdf hal. 2)
23
Terdapat dua bagian pembentukan yaitu initiator dan generator. Pada
pembangunan garis terdapat ∂ = 60° adalah pergerakkan arah dan d adalah
panjang kecepatan. Maka bila terdapat aksioma F=F - - F - - F sebagai initiator
dan F F + F - - F + F sebagai generator, maka dalam setiap bagian dari initiator
akan di ganti dengan generator sampai panjang kecepatan.
2.5.4 Deterministic dan Context-Free L-Systems (DOL)
Deterministic dan context free L-Systems adalah bagian dari konsep L-
System. Bila terdapat string yang dibangun oleh dua simbol a dan b, maka setiap
simbol akan mengasosiasikan sebagai aturan rewriting. Aturan a ->ab berarti
bahwa huruf a akan di ganti dengan string ab, dan untuk aturan a->b berarti huruf
a juga akan diganti dengan huruf b, aturan produksi tersebut adalah satu kali step
rewriting.
Gambar 2.4 Contoh dari Aturan Produksi dari DOL System
(Sumber : http://algorithmicbotany.org/papers/abop/abop-ch1.pdf hal. 4)
24
2.5.5 Context Sensitive L-System
Pada aturan produksi di DOL Systems adalah context free, dimana akan
memproduksi context di predecessor (Hubungan antar tugas), sedangkan
pengaruh lingkungan terhadap pertumbuhan bagian tanaman seperti aliran nutrisi
atau hormon akan disimulasikan dengan model Context Sensitive L-System (
Lindenmayer, A dan Prusinkeiwiez, 1990 ). Terdapat dua aturan produksi yaitu
2L-System digunakan untuk produksi al < a > ar -> X, yaitu huruf a dapat
memproduksi huruf X jika dan hanya jika kondisi a adalah dintara al dan ar ,
selain itu 1L-Systems yaitu hanya mempunyai satu produksi untuk satu context,
al<a->X atau a>ar ->X. untuk contoh L-System adalah misalkan terdapat aturan
sebagai berikut :
𝑤𝑝1
𝑝𝟐
:::
𝑏𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑏 < 𝑎 → 𝑏 𝑏 → 𝑎
Maka akan terdapat urutan produksi sebagai berikut :
2.6 Normalisasi Data
Normalisasi adalah proses penskalaan nilai atribut dari data sehingga dapat
jatuh pada range tertentu (Martiana, Entin. Data Preprocessing. 2013).
Metode yang digunakan untuk menormalisasi data sebagai berikut :
A. Normalisasi Min-Max
baaaaaaaa
abaaaaaaa
aabaaaaaa
aaabaaaaa
aaaabaaaa
…
25
Min-Max merupakan metode normalisasi dengan melakukan
transformasi linier terhadap data asli. Nilai nilai di normalisasi dalam
kisaran atau range tertentu. Berikut rumusnya:
𝑑′ = (𝑑 − 𝑑𝑚𝑖𝑛)(𝑏 − 𝑎)
(𝑑𝑚𝑎𝑥 − 𝑑𝑚𝑖𝑛)+ 𝛼 (2.1)
Keterangan :
d = data sebelum normalisasi
d’ = data hasil normalisasi
𝑑𝑚𝑖𝑛 = data minimum
𝑑𝑚𝑎𝑥 = data maksimum
a = batas atas = 0.1
b = batas bawah = 0.9
Kelebihan dari metode ini adalah keseimbangan nilai perbandingan
antar data saat sebelum dan sesudah proses normalisasi. Tidak ada data
bias yang dihasilkan oleh metode ini. Kekurangannya adalah jika ada
data baru, metode ini memungkinkan terjebak pada “out of bound
error”.
B. Normalisasi Z-Score
Z-Score merupakan metode normalisasi yang berdasarkan mean (nilai
rata-rata) dan standard deviation (deviasi standar) dari data. Berikut
rumusnya :
26
𝑑′ = 𝑑 − 𝑚𝑒𝑎𝑛(𝑃)
𝑠𝑡𝑑(𝑝) (2.2)
Keterangan :
d’ = data hasil normalisasi
d = data yang akan di normalisasi
mean(P) = nilai rata-rata dari nilai P
std(p) = deviasi standar dari nilai p
C. Normalisasi Decimal Scaling
Metode ini melakukan normalisasi dengan menggerakan nilai desimal
dari data ke arah yang diinginkan. Berikut rumusnya :
𝑑′ = 𝑑
10𝑚 (2.3)
Ketengan :
d’ = data yang hasil normalisasi
d = data yang akan di normalisai
m = nilai integer untuk menggerakkan nilai desimal ke arah yang
diinginkan.
2.7 Gambaran Umum Jaringan Syaraf Tiruan (Neural Network)
Neural network atau jaringan syaraf merupakan salah satu representasi
buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia tersebut (Sri Kusumadewi, Sri Hartati, 2006: 59).
27
Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan
dengan menggunakan program komputer yang mampu menyelesaikan sejumlah
proses perhitungan selama proses pembelajaran (Fausett, 1994). Neural network
telah dikembangkan sebagai generalisasi model matematika pada sistem kinerja
otak manusia (Fausett, 1994: 3).
Model tersebut dapat dibuat secara sederhana berdasarkan fungsi neuron
biologis yang merupakan dasar unit pensinyalan dari sistem syaraf.
a. Pengolahan informasi terjadi pada elemen sederhana yang disebut
neuron.
b. Sinyal dilewatkan antara neuron melalui jaringan.
c. Setiap jaringan memiliki bobot yang ditentukan, dan mengalihkan sinyal
yang dipancarkan.
d. Setiap neuron menerapkan fungsi aktivasi (biasanya non-linier) jaringan
masuk (jumlah dari bobot masukan pada sinyal) untuk menentukan
sinyal keluaran.
Setiap neuron memberikan informasi-informasi yang dikelola setiap
jaringan. Gambar 2.5 merupakan model dari neuron dengan desain dasar neural
network. Jaringan ini dapat diperkenalkan pada tiga dasar model neuron, yaitu :
a. Pola hubungan antar neuron yang ditandai dengan bobot pada masing-
masing sinyal neuron.
b. Metode untuk menentukan bobot penghubung (disebut metode
training/algoritma).
c. Fungsi aktivasi
28
Sebagai contoh, perhatikan neuron pada Gambar 2.5
Gambar 2.5 Arsitekur Neural Network
(Sumber : Haykin, S. 1999. Neural Networks A Comprehensive Foundation. New
Jersey: Prentice Hall International, Inc. Halaman 11)
Dimana 𝑥1, 𝑥2, … 𝑥𝑛 adalah input dari neuron dengan bobot 𝑤1, 𝑤2, … 𝑤3.
𝑏𝑘adalah jaringan bias, 𝑓adalah fungsi aktivasi, dan 𝑦𝑘 adalah output sinyal dari
neuron (Haykin,1999: 10-11).
Untuk neuron menerima input dari neuron dengan bobot yang ditentukan
maka ketiga impuls neuron yang ada dijumlahkan
𝑛𝑒𝑡 = 𝑥1𝑤1 + 𝑥2𝑤2 + ⋯ + 𝑥𝑛𝑤𝑛 (2.4)
Besarnya impuls yang diterima oleh 𝑦𝑘 mengikuti fungsi aktivasi. Apabila
nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi
(keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot
(Fausett, 1994: 3).
Untuk membuat NN dapat melakukan pengenalan data, maka dibutuhkan
arsitektur jaringan yang cocok dan penyusunan neuron pada jaringan NN.
Neuron-neuron dalam lapisan yang sama memiliki cara kerja yang sama. Faktor
kunci untuk menentukan kebiasaan neuron adalah pada fungsi aktivasi dan pola
29
hubungan antar bobot yang mengirim dan menerima sinyal. Dalam setiap lapisan,
neuron-neuron biasanya memiliki fungsi aktivasi yang sama dan pola hubungan
yang sama dengan neuron yang lain. Mengatur neuron-neuron dalam lapisan dan
mengoneksikan pola dalam dan antara lapisan-lapisan disebut arsitektur jaringan.
Arsitektur jaringan dalam NN seringkali diklasifikasikan sebagai jaringan lapisan
tunggal, lapisan jamak, dan lapisan kompetitif.
1. Jaringan Lapisan Tunggal
Jaringan lapisan tunggal seringkali disebut unit masukan yang menerima
sinyal dari dunia luar, dan unit keluaran yang merupakan respon dari unit
masukan. Dalam lapisan tunggal, unit masukan sepenuhnya terhubung ke
unit keluaran tetapi tidak terhubung ke unit masukan yang lain, dan unit
keluaran tidak terhubung ke unit keluaran lainnya (Fausett, 1994).
Contohnya adalah Gambar 2.6 berikut ini
Gambar 2. 6 Single LayerNeural Network
(Sumber : Fausett, R.G. 1994. Fundamentals of Neural Network. New Jersey:
Prentice Hall International, Inc. Halaman 13)
30
2. Jaringan Lapisan Jamak
Jaringan lapisan jamak merupakan suatu jaringan dengan satu atau lebih
lapisan dari tangkai antara unit masukan dan unit keluaran (Fausett, 1994).
Biasanya, ada lapisan bobot antara lapisan masukan dan lapisan keluaran
yaitu lapisan tersembunyi. Jaringan lapisan jamak dapat menyelesaikan
masalah lebih rumit dibandingkan dengan jaringan tunggal, tetapi
pelatihan dapat lebih sulit. Namun, dalam beberapa kasus, pelatihan
dengan jaringan lapisan jamak dapat lebih berhasil, karena ada
kemungkinan dapat memecahkan masalah yang tidak dapat dipecahkan
oleh jaringan lapisan tunggal. Contohnya adalah Gambar 2.7 berikut ini.
Gambar 2.7 Multilayer Neural Network
(Sumber : Fausett, R.G. 1994. Fundamentals of Neural Network. New Jersey:
Prentice Hall International, Inc. Halaman 13)
31
3. Jaringan lapisan Kompetitif
Model jaringan lapisan kompetitif, jaringan terdiri dari dua lapisan, yaitu
lapisan masukan dan lapisan kompetitif (Fausett, 1994: 14). Lapisan
masukan menerima data dari luar. Lapisan kompetitif berisi neuron-
neuron yang saling berkompetisi untuk memperoleh kesempatan merespon
sifat-sifat yang ada dalam data masukan. Bobot neuron pemenang akan
dimodifikasi sehingga lebih menyerupai data masukan. Salah satu contoh
jaringan kompetitif adalah jaringan Maxnet. Gambar jaringan lapisan
kompetitif dapat diilustrasikan dengan Gambar 2.8 berikut ini.
Gambar 2.8 Lapisan Kompetitif
(Sumber : Fausett, R.G. 1994. Fundamentals of Neural Network. New Jersey:
Prentice Hall International, Inc. Halaman 14)
Selain arsitektur jaringan dan jenis pelatihan yang tidak kalah penting
dalam NN adalah fungsi aktivasi. Kegunaan fungsi aktivasi sudah dijelaskan di
atas, yaitu untuk menentukan keluaran. Banyak fungsi aktivasi yang dapat dipakai
32
di antaranya fungsi-fungsi goniometri dan hiperboliknya, fungsi unit step, impuls,
dan sigmoid. Pada umumnya fungsi aktivasi membangkitkan sinyal-sinyal
unipolar atau bipolar. Fungsi sigmoid dapat juga dibuat untuk jenis unipolar
maupun bipolar. Beberapa fungsi aktifasi yang biasa digunakan antara lain:
1. Fungsi Tangga Biner
Fungsi tangga biner atau fungsi step merupakan fungsi aktivasi yang
digunakan untuk konversi input dengan variabel kontinyu menjadi output
yang bernilai biner (0 atau 1). Fungsi ini dapat dituliskan menjadi
𝑓(𝑛𝑒𝑡) = {1, 𝑥 < 𝜃0, 𝑥 > 𝜃
(2.5)
Pada fungsi tangga biner dapat dilihat pada Gambar 2.9 dibawah ini
(Fausett, 1994)
Gambar 2.9 Fungsi Tangga Biner
2. Fungsi Linear
Fungsi linear ini dinyatakan dengan Dari fungsi ini, dimana nilai output
merupakan binary (1 atau 0) atau bipolar (1 atau -1). Sedangkan grafiknya
dapat dilihat pada Gambar 2.10 yang merupakan fungsi linear (Fausett,
1994).
f(x)
𝑥 𝜃
1
33
Gambar 2.10 Fungsi Linear
3. Fungsi Gauss
Fungsi Gauss ini biasa juga disebut fungsi distribusi normal, definisi
fungsi Gauss adalah sebagai berikut
𝑓(𝑥) = 𝑒−𝑥2 (2.6)
Dari persamaan (2.7) maka dapat di gambarkan dengan Gambar 2.11 yang
merupakan fungsi Gauss (Fausett, 1994:315)
Gambar 2.11 Fungsi Gauss
f(x)
𝑥 1
−1
𝑓(𝑛𝑒𝑡)
34
4. Fungsi Sigmoid Biner
Fungsi sigmoid biner atau disebut juga fungsi sigmoid unipolar, fungsi ini
digunakan untuk jaringan syaraf yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range
0 sampai 1. Fungsi ini sering digunakan untuk jaringan syaraf yang
membutuhkan nilai output yang terletak pada interval 0 sampai 1. Definisi
fungsi sigmoid biner adalah sebagai berikut
𝑓(𝑥) = (1
1 + 𝑒−𝑥) (2.7)
Grafik fungsi sigmoid biner dapat dilihat pada Gambar 2.9 dibawah ini
(Fausett, 1994)
Gambar 2.12 Fungsi Sigmoid Unipolar
5. Fungsi Sigmoid Bipolar
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan
menggunakan metode backpropagation. Fungsi sigmoid bipolar memiliki
𝑥
𝑦
1
0
35
range antara 1 sampai -1. Definisi fungsi sigmoid bipolar adalah sebagai
berikut:
𝑓(𝑥) =1 − 𝑒−𝑥
1 − 𝑒−𝑥 (2.8)
Sedangkan fungsi sigmoid bipolar dapat dilihat pada Gambar 2.13
dibawah ini (Fausett, 1994).
Gambar 2.13 Fungsi Sigmoid Bipolar
6. Fungsi Hyperbolic Tangent
Fungsi ini dengan mudah di definisikan sebagai rasio antara sinus
hiperbolik dan fungsi kosinus atau diperluas sebagai rasio dari setengah
diferensial dan setengah penjumlahan dari dua fungsi eksponensial
kedalam nilai x dan –x sebgai berikut : (Karlik, Bekir dan Vehbi, Ahmet,
2010, Hal. 133)
tanh(𝑥) =sinh(𝑥)
cosh(𝑥)=
𝑒𝑥 − 𝑒−𝑥
𝑒𝑥 + 𝑒−𝑥 (2.9)
0 𝑥
𝑦
−1
−1
36
Fungsi Hyperbolic Tangent mirip dengan fungsi sigmoid. Kisaran output-
nya antara -1 dan 1. Seperti yang terlihat pada Gambar 2.14 (Karlik, Bekir
dan Vehbi, Ahmet, 2010, Hal. 133)
tanh (𝑥)
1
0.5
−0.5
−1
Gambar 2.14 Fungsi Hyperbolic Tangent
(Sumber : Karlik, Bekir dan A. Vehbi Olgac. 2010, IJAE. Hal. 113)
2.7.1 Jaringan Perceptron
Model jaringan Perceptron merupakan algoritma pembelajaran yang
terbimbing feedforward dengan satu atau lebih lapisan antara masukan dan
keluaran pada layer. Model jaringan perceptron ditemukan oleh Rosenbalt (1962)
dan Minsky – Papert (1969). Model tersebut merupakan model yang memiliki
10 -10 5 -5
Y
X
37
aplikasi pelatihan yang paling baik pada era tersebut (Siang, Jong Jek. 2005.
Halaman 59).
A. Arsitektur Jaringan
Arsitektur jaringan perceptron mirip dengan arsitektur jaringan Hebb.
Jaringan terdiri dari beberapa unit masukan (ditambah sebuah bias), dan
memiliki sebuah unit keluaran. Hanya saja fungsi aktivasi bukan merupakan
fungsi biner (atau bipolar), tetapi memiliki kemungkinan nilai -1, 0 atau 1.
(Siang, Jong Jek, 2005, Hal. 59)
Untuk suatu harga threshold θ yang ditentukan :
𝑓(𝑛𝑒𝑡) = {10
−1
𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 > 𝜃𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 − 𝜃 ≤ 𝑛𝑒𝑡 ≤ 𝜃𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 < − 𝜃
Secara geometris, fungsi aktivasi membentuk 2 garis sekaligus, masing-
masing dengan persamaan :
Gambar 2.15 Single Layer Perceptron
(Sumber : Siang, Jong Jek, 2005, Hal. 59)
1
X
1
X
2
X
n
. . .
Y
38
𝑤1𝑥1 + 𝑤2𝑥2 + … + 𝑤𝑛𝑥𝑛 + 𝑏 = 𝜃 dan (2.10)
𝑤1𝑥1 + 𝑤2𝑥2 + … + 𝑤𝑛𝑥𝑛 + 𝑏 = −𝜃 (2.11)
B. Pelatihan Perceptron
Misalkan
s adalah vektor masukan dan t adalah target keluaran
α adalah laju pemahaman (learning rate) yang ditentukan
θ adalah threshold yang ditentukan
Algoritma pelatihan perceptron adalah sebagai berikut :
1. Inisialisasi semua bobot dan bias (umumnya Wi = b = 0)
Tentukan laju pemahaman (= α). Untuk penyederhanaan, biasanyanya α
diberi nilai = 1
2. Selama ada elemen vector masukan yang respon unit keluaranya tidak
sama dengan target, lakukan :
a. Set aktivasi unit masukan 𝑥𝑖 = 𝑠𝑖 (𝑖 = 1, … , 𝑛)
b. Hitung respon unit keluaran :
𝑛𝑒𝑡 = ∑ 𝑥𝑖𝑤𝑖 + 𝑏𝑖
(2.12)
𝑧𝑗 = 𝑓 (𝑧𝑖𝑛𝑗) = {
10
−0
𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 > 𝜃𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 − 𝜃 ≤ 𝑛𝑒𝑡 ≤ 𝜃
𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 < − 𝜃
c. Perbaiki bobot pola yang mengandung kesalahan (y ≠ t) menurut
persamaan :
𝑤𝑖(𝑏𝑎𝑟𝑢) = 𝑤𝑖(𝑙𝑎𝑚𝑎) + Δ𝑤 (𝑖 = 1, … , 𝑛) 𝑑𝑒𝑛𝑔𝑎𝑛 Δ𝑤 = 𝛼𝑡𝑥𝑖 (2.13)
39
𝑏(𝑏𝑎𝑟𝑢) = 𝑏(𝑙𝑎𝑚𝑎) + Δ𝑏 𝑑𝑒𝑛𝑔𝑎𝑛 Δ𝑏 = 𝛼𝑡 (2.14)
2.7.2 Jaringan Multilayer Perceptron
Arsitektur yang digunakan dalam jaringan perceptron dapat berupa
arsitektur lapis jamak atau Multilayer Perceptron atau disingkat MLP. Karena
merupakan jaringan lapisan jamak, maka Multilayer Perceptron memiliki lapisan
tersembunyi. Gambar 2.14 adalah arsitektur Multilayer Perceptron dengan dua
buah input atau masukan (ditambah sebuah bias), tiga hidden atau lapisan
tersembunyi (ditambah sebuah bias) serta sebuah output atau keluaran.
Gambar 2.16 Arsitektur Jaringan Multilayer Perceptron
Setelah diketahui arsitektur dari jaringan Multilayer Perceptron dan fungsi
aktivasinya berikut algoritma pelatihan Multilayer Perceptron.
Langkah 0 : Menginisialisasi semua bobot dengan bilangan acak kecil
Langkah 1 : Ulangi langkah 2 hingga 9 sampai kondisi iterasi terpenuhi
Langkah 2 : Untuk masing-masing pasangan data pelatihan, lakukan langkah
3-8
40
Fase I : Perhitungan propagasi maju (Feedforword)
Langkah 3 : Setiap unit masukan (𝑋𝑖 , 𝑖 = 1, . . . , 𝑛) menerima input 𝑋𝑖 dan
meneruskan sinyal ini untuk semua unit di lapisan atas (unit tersembunyi atau
hidden layer)
Langkah 4 : Menghitung semua keluaran di unit tersembunyi (𝑍𝑗 , 𝑗 = 1, . . . , 𝑝)
𝑧𝑖𝑛𝑗= 𝑣𝑗0 + ∑ 𝑥𝑖𝑣𝑗𝑖
𝑛
𝑛
𝑖=1
(2.15)
Jaringan ini terdiri dari beberapa unit masukan (ditambah sebuah
bias), dan memiliki sebuah unit keluaran. Hanya saja fungsi aktivasi bukan
merupakan fungsi biner (atau bipolar), tetapi memiliki kemungkinan bernilai -1, 0
atau 1 (Siang, 2009, Hal. 59-60). Sehingga menggunakan fungsi aktivasi
Hyperbolic Tangent untuk menghitung sinyal outputnya.
𝑧𝑗 = 𝑓(𝑧_𝑖𝑛𝑗) =exp( 𝑧𝑖𝑛𝑗
) − exp(−𝑧𝑖𝑛𝑗)
exp( 𝑧𝑖𝑛𝑗) + exp(−𝑧𝑖𝑛𝑗
)=
1 − exp (−2𝑧𝑖𝑛𝑗)
1 + exp (−2𝑧𝑖𝑛𝑗)
(2.16)
dan mengirim sinyal ini ke semua unit di lapisan atas (unit-unit
output), dimana untuk suatu nilai threshold θ yang ditentukan :
𝑧𝑗 = 𝑓 (𝑧𝑖𝑛𝑗) = {
10
−0
𝑧𝑖𝑛𝑗> 𝜃
– 𝜃 ≤ 𝑧𝑖𝑛𝑗≤ 𝜃
𝑧𝑖𝑛𝑗< −𝜃
Secara geometris, fungsi aktivasi membentuk 2 garis sekaligus,
masing-masing dengan persamaan :
𝑤1𝑥1 + 𝑤2𝑥2 + … + 𝑤𝑛𝑥𝑛 + 𝑏 = 𝜃 𝑑𝑎𝑛
𝑤1𝑥1 + 𝑤2𝑥2 + … + 𝑤𝑛𝑥𝑛 + 𝑏 = −𝜃
41
Langkah 5 : Menghitung semua keluaran jaringan di unit 𝑦𝑘(𝑘 = 1,2, … , 𝑚).
𝑦𝑖𝑛𝑘= 𝑤𝑘0 + ∑ 𝑧𝑗𝑤𝑘𝑗
𝑛
𝑚
𝑗=1
(2.17)
dan menerapkan fungsi aktivasi linier untuk menghitung sinyal
outputnya,
𝑦𝑘 = 𝑓(𝑦_𝑖𝑛𝑘) = 𝑦𝑖𝑛𝑘 𝑥 1 (2.18)
Langkah 6 : Menghitung faktor 𝛿 (delta atau local gradient) unit keluaran
berdasarkan kesalahan (error) di setiap unit 𝛿𝑘 keluaran 𝑦𝑘(𝑘 = 1,2, … , 𝑚).
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑓′(𝑦𝑖𝑛𝑘) (2.19)
Menghitung bobot yang digunakan untuk memperbarui bobot 𝑤𝑗𝑘
∆𝑤𝑗𝑘 = 𝑎𝛿𝑘𝑧𝑗 (2.20)
Menghitung bobot bias yang digunakan untuk memperbarui bobot
𝑤0𝑘
∆𝑤0𝑘 = 𝑎𝛿𝑘 (2.21)
𝛿𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan
bobot lapisan di bawahnya (langkah 7). Menghitung suku perubahan bobot 𝑤𝑘𝑗
(yang akan dipakai nanti untuk merubah bobot 𝑤𝑘𝑗) dengan laju percepatan 𝛼.
Fase II : Perhitungan propagasi mundur (Backpropagation)
Langkah 7 : Menghitung faktor 𝛿 unit tersembunyi berdasarkan kesalahan di
setiap unit tersembunyi 𝑧𝑗(𝑗 = 1,2, … , 𝑝).
𝛿𝑖𝑛𝑗= ∑ 𝛿𝑘𝑤𝑗𝑘
𝑚
𝑘=1
(2.22)
42
mengalikan dengan turunan dari fungsi aktivasi untuk menghitung
jangka informasi error-nya, Faktor 𝛿 unit tersembunyi:
𝛿𝑗 = (𝛿𝑖𝑛𝑗) 𝑓′ (𝑧𝑖𝑛𝑗
) (2.23)
𝑓′ (𝑧𝑖𝑛𝑗) = (1 + 𝑓 (𝑧𝑖𝑛𝑗
)) (1 − 𝑓 (𝑧𝑖𝑛𝑗)) = 1 − (𝑓 (𝑧𝑖𝑛𝑗
)) (𝑓 (𝑧𝑖𝑛𝑗)) (2.24)
Menghitung suku perubahan bobot 𝑣𝑖𝑗 (yang akan dipakai nanti
untuk merubah bobot 𝑣𝑖𝑗)
∆𝑣𝑖𝑗 = 𝛼𝛿𝑗𝑥𝑖; 𝑗 = 1,2, … . 𝑝; 𝑖 = 0,1, … , 𝑛 (2.25)
Menghitung suku perubahan bobot bias 𝑣0𝑗 (yang akan dipakai
nanti untuk merubah bobot 𝑣0𝑗).
∆𝑣0𝑗 = 𝛼𝛿𝑗; 𝑗 = 1,2, … . 𝑝 (2.26)
Langkah 8 : Menghitung semua perubahan bobot.
Perubahan bobot garis yang menuju ke unit keluaran:
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗; 𝑘 = 1,2, … . 𝑚; 𝑗 = 0,1, … , 𝑝 (2.27)
perubahan bobot yang menuju ke unit tersembunyi:
𝑣𝑖𝑗(𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗(𝑙𝑎𝑚𝑎) + ∆𝑣𝑖𝑗; 𝑗 = 1,2, … . 𝑝; 𝑖 = 0,1, … , 𝑛 (2.28)
Langkah 9 : Menghitung MSE. Jika nilai MSE belum lebih kecil daripada
target error (epsilon) atau jumlah epoch yang sudah ditentukan, maka langkah 3-8
terus dilakukan.
𝑀𝑆𝐸 = ∑ (𝑦𝑡𝑎𝑟𝑔𝑒𝑡,𝑖 – 𝑦𝑜𝑢𝑡𝑝𝑢𝑡,𝑖)
2𝑛1=1
𝑛 (2.29)
43
2.8 GroIMP
GroIMP (Growth Grammar-related Interactive Modelling Platform).
Seperti namanya, groIMP merupakan software yang digunakan sebagai modeling-
3D yang memiliki beberapa fitur diantaranya :
1. Interaktif dalam mengedit adegan.
2. Kaya set objek 3D, mudah dimengerti bagi orang awam, NURBS kurfa-
kurfa dan permukaan-permukaan.
3. Banyak pilihan seperti warna dan tekstur.
4. Seperti waktu sebenarnya menggunakan OpenGL.
5. Dapat di ekspor ke POV-Ray, dengan tambahan ray-tracer.
6. Dapat di ekspor ke DXF, sebagian bisa di ekspor ke VRML/3XD.
7. Built-in raytracer Twilight merender adegan.
8. Lampu-model didasarkan pada built-in raytracer sehingga dapat
menghitung distribusi cahaya dalam adegan.
Fitur tambahan berikutnya :
Impor/ekspor ke format data eksternal lebih lanjut, misalnya 3DS.
Yang membedakan groIMP dari modeling dan potensi software lain adalah
implementasinya. groIMP digunakan untuk pemodelan tata bahasa pertumbuhan.
Potensi ini dapat diakses oleh integrasi pemodelan bahasa XL-System.
2.9 Integrasi Islam
Mempelajari pertumbuhan tanaman merupakan suatu hal yang di anjurkan
bagi orang yang beriman, karena didalam pertumbuhan tanaman tersebut
44
menyimpan adanya tanda bukti kekuasaan Allah SWT. Hal ini tertuang pada Surat
Al-An’am ayat 99 sebagai berikut :
Artinya : “dan Dialah yang menurunkan air hujan dari langit, lalu Kami
tumbuhkan dengan air itu segala macam tumbuh-tumbuhan Maka Kami
keluarkan dari tumbuh-tumbuhan itu tanaman yang menghijau. Kami keluarkan
dari tanaman yang menghijau itu butir yang banyak; dan dari mayang korma
mengurai tangkai-tangkai yang menjulai, dan kebun-kebun anggur, dan (kami
keluarkan pula) zaitun dan delima yang serupa dan yang tidak serupa.
perhatikanlah buahnya di waktu pohonnya berbuah dan (perhatikan pulalah)
kematangannya. Sesungguhnya pada yang demikian itu ada tanda-tanda
(kekuasaan Allah) bagi orang-orang yang beriman.” (QS. Al-An’am : 99)
Pada Tafsir Ibnu Katsir jilid 3 halaman 363 dijelaskan bahwa tanda-tanda
kekuasaan Allah SWT bagi orang-orang yang beriman, dengan memperhatikan
fenomena turunnya air hujan dari langit hingga jatuh ke bumi, memperhatikan
lingkungan sekitarnya tentang tumbuhan yang beraneka-ragam jenisnya. Sehingga
dengan adanya penelitian dan pembuatan program simulasi pertumbuhan tanaman
dapat mengintegrasikan keislaman pada saat proses penelitian dan setelahnya.
45
BAB III
METODE PENELITIAN
3. 1 Metode Penelitian
Langkah-langkah yang harus ditempuh dalam penelitian ini guna membuat
program simulasi pertumbuhan tanaman Chrysanthemum Puma Putih terhadap
pemberian dosis pupuk urea dan penyiraman menggunakan Neural Network
berbasis XL System adalah sebagai berikut :
1. Observasi
Melakukan survei pada habitat buatan menyerupai yang asli dari tanaman
Chrysanthemum Reagent White atau Chrysanthemum Puma Putih di PT
Inggu Laut Abadi, Cangar-Malang. Dengan menyiapkan lahan tanam serta
objek tanaman yang siap ditanam untuk selanjutnya akan menjadi sumber
data pada penelitian ini.
2. Studi Literatur
Menarik kesimpulan apa saja yang akan dilakukan beserta data apa saja
yang akan didapatkan. Serta mencari dan mempelajari teori pendukung yang
berhubungan dengan budi daya Chrysanthemum, Neural Network dan XL-
System.
3. Persiapan Alat, Lahan, Air, Pupuk dan Bibit.
Mempersiapkan alat, pupuk, persediaan air tawar, lahan yang akan ditanami
dan bibit tanaman yang akan ditanam.
46
4. Pengambilan Data
Mengambil data hasil observasi untuk dianalisa.
5. Analisa Data
Dalam tahapan ini dilakukan penarikan kesimpulan dari pengambilan data
yang telah dilakukan. Data yang didapatkan dari tahapan pengambilan data
ini akan digunakan menjadi nilai input untuk Neural Network.
6. Perancangan Program
Tahapan ini adalah merancang bagaimana sistem yang akan dibangun nanti
sesuai dengan data hasil dari analisa data.
7. Pembuatan Program
Melakukan implementasi dari rancangan program dengan membangun
program simulasi dan mengolah data-data yang ada sebagai input.
8. Evaluasi Program
Evaluasi ini bertujuan untuk memastikan program telah benar, sesuai
dengan rancangan dan juga untuk memastikan bahwa metode dan rumus-
rumus pada program sudah benar sehingga diharapkan tidak ada kesalahan
pada program tersebut.
9. Pembuatan Laporan Skripsi
Pada tahapan ini dilakukan proses dokumentasi dari semua kegiatan yang
telah dilakukan selama penelitian.
47
3.1.1 Objek Penelitian
Klasifikasi botani tanaman hias Chrysanthemum Reagent White
adalah sebagai berikut (Kurniawati Y, Ika, 2007, Hal. 13) :
Kingdom : Plantae (tumbuh-tumbuhan)
Divisi : Spermathophyta (tumbuhan berbiji)
Sub Divisi : Angiospermae (berbiji tertutup)
Klas : Dycotiledonae (berbiji berkeping dua)
Ordo : Asterales
Famili : Asteraceae
Genus : Chrysanthemum
Species : C. morifolium Ramat, C. indicum, C. Daisy, C.roseum,
C. Reagent White, C. maxium, C. coccineum, dan lain-lain.
3.1.2 Variabel Penelitian
1. Variabel bebas dalam penelitian ini adalah dosis pupuk urea dan
penyiraman.
2. Variabel terikat dalam penelitian ini adalah pertumbuhan dan
perkembangan tanaman bunga Chrysanthemum yang meliputi panjang
batang, jumlah daun dan tinggi tanaman.
3.1.3 Tempat dan Waktu
Penelitian ini dilaksanakan di area green house milik PT Inggu Laut
Abadi, Jalan Sumber Brantas km 12, Cangar – Batu, Malang. Lokasi ini
48
berada pada ketinggian ± 1400 m dpl dengan luas lahan 3,5 hektar.
Penelitian dilakukan dimulai dari bulan Juni hingga bulan Juli 2012.
3.1.4 Alat dan Bahan
Alat yang digunakan pada penelitian ini antara lain :
1. Selang gembor
2. Penggaris
3. Timbangan (gram)
4. Alat Ukur Air (liter)
Sedangkan bahan yang digunakan pada penelitian ini adalah :
1. Tanaman Chrysanthemum (Chrysanthemum Reagent White atau
Chrysanthemum Puma Putih)
2. Tanah
3. Pupuk kandang
4. Pupuk Urea
3.2 Prosedur Pelaksanaan Penelitian
3.2.1 Persiapan Lahan
Berikut ini adalah rancangan lahan yang digunakan, sebagai berikut :
Gambar 3.1 Rancangan Penanaman
0.5 m (Urea 2gr/ltr)
(Penyiraman Sore)
20 Tanaman
20
Tanaman
20 Tanaman
20 Tanaman
0.5 m (Urea 1gr/ltr)
(Penyiraman Sore)
0.5 m (Urea 2gr/ltr)
(Penyiraman Pagi)
0.5 m (Urea 1gr/ltr)
(Penyiraman Pagi)
49
Panjang lahan yang digunakan dalam penelitian ini adalah 3.5 meter,
setiap 0.5 meter digunakan untuk satu perlakuan penyiraman dan perlakuan
pemberian dosis pupuk urea. Setengah meter pertama untuk perlakuan urea
2 gram/liter dengan penyiraman sore hari, setengah meter kedua untuk
perlakuan urea 1 gram/liter dengan penyiraman sore hari, setengah meter
ketiga untuk perlakuan urea 2 gram/liter dengan penyiraman pagi hari dan
yang terakhir setengah meter keempat untuk perlakuan urea 1 gram/liter
dengan penyiraman pagi hari. Dimana untuk setiap parameter menggunakan
20 tanaman Chrysanthemum Puma Putih. Jarak antara perlakuan
dipisahkan sejauh 25 cm.
Sebelum melakukan penanaman, lahan terlebih dahulu dibersihkan
dari tanaman liar, selanjutnya di cangkul untuk membuat tanah menjadi
gembur dengan menambahkan pupuk kandang dengan cara dicampurkan
hingga merata. Tanah yang sudah diolah tersebut selanjutnya disiram
dengan air tanah dan diamkan selama satu minggu sebelum masa tanam.
3.2.2 Penyiapan Bibit Tanaman
Menurut buku Budi Daya Tanaman Krisan (Kurniawati Y, Ika, 2007,
Hal. 34) pada dasarnya perbanyakan tanaman krisan dapat dilakukan dengan
cara generatif (biji) dan vegetatif.
Pertama tentang perbanyakan tanaman krisan secara generatif, model
perbanyakan ini jarang dilakukan, namun banyak dilakukan dalam
penelitian yang konsentrasinya pada bidang pemuliaan tanaman yang
50
bertujuan menghasilkan varietas atau kultivar baru. Tanaman krisan bersifat
heterozigot, keturunan tanaman dari biji tidak selalu sama dengan induknya,
membutuhkan penanganan khusus, dan waktu lama. Sehingga peneliti tidak
melakukan pengamatan pertumbuhan tanaman krisan dari model generatif
(biji).
Kedua tentang perbanyakan tanaman krisan secara vegetatif, model ini
dapat dilakukan dengan pemisahan anakan, umbi akar yang bertunas,
sambung pucuk dan setek pucuk pada media pot. Dalam penelitian,
dikembangkan kultur jaringan, yaitu dengan memotong jaringan tanaman
yang berukuran kecil, kemudian ditanaman pada media tumbuh aseptik.
Keturunan tanaman yang diperbanyak secara vegetatif bersifat sama dengan
tanaman induknya.
Bibit tanaman Chrysanthemum Puma Putih yang digunakan
merupakan hasil dari setek pucuk yang diambil dari induk tanaman yang
telah tumbuh dengan baik dengan cara memotong ujung tanaman sepanjang
5-7 cm. Kemudian hasil potongan tersebut dicelupkan pada zat perangsang
tumbuh akar (rootone) pada bagian bawahnya kemudian didiamkan hingga
dua minggu pada tempat yang lembab, kemudian potongan dari tanaman
induk itu akan tumbuh akar, dan bibit siap untuk ditanam.
51
Gambar 3.2 Bibit tanaman Chrysanthemum Puma Putih
(Sumber : Dokumentasi peneliti)
Gambar 3.3 Bibit tanaman Chrysanthemum Puma Putih yang dicelupkan akarnya
dengan zat perangsang akar (rootone)
(Sumber : Dokumentasi peneliti)
52
3.2.3 Penanaman dan Pemeliharaan
Setelah satu minggu dalam proses pemupukan dasar lahan. Lahan
telah siap untuk ditanami. Dalam penanaman dan pemeliharaan termasuk
pemupukan didalamnya dilakukan mengikuti perlakuan yang telah
dirancang. Menurut buku Rancangan Percobaan Praktis Bidang Pertanian
(Sastrosupadi, Adji. 2000. Hal 53) bahwa penelitian ini termasuk
menggunakan model Rancangan Acak Lengkap (RAL) yang mempunyai
media atau tempat percobaan yang seragam atau homogen, sehingga RAL
banyak digunakan untuk percobaan laboratorium, rumah kaca, peternakan
bahkan di Green House. Perlakuan pada penelitian ini tidak dilakukan
ulangan, ulangan yang dimaksud adalah suatu perlakuan dalam suatu
percobaan terdapat lebih dari satu kali. Fungsi ulangan adalah menaksir
galat percobaan dan mempertinggi ketepatan pengukuran pengaruh
perlakuan. Banyakanya ulangan yang diperlukan bagi suatu percobaan
tergantung dari besarnya perbedaan yang ingin dideteksi dan variabilitas
data pada sebuah penelitian. Makin homogen bahan percobaan ulangan
makin sedikit, bahka apabila bahan percobaan 100% homogen tanpa
ulangan pun pembanding antar perlakuan dapat dilakukan (Sastrosupadi,
Adji. 2000. Hal 24). Sehingga dibuatlah tabel 3.1 rancang perlakuan yang
akan menjelaskan rancangan yang telah dibuat :
Tabel 3.1 Rancang Perlakuan
Perlakuan Perlakuan 1 Perlakuan 2 Perlakuan 3 Perlakuan 4
Pupuk Urea
(Setiap 7 hari sekali) 2 gram/liter 1 gram/liter 2 gram/liter 1 gram/liter
53
Perlakuan Perlakuan 1 Perlakuan 2 Perlakuan 3 Perlakuan 4
Penyiraman
(Setiap hari) Sore Sore Pagi Pagi
a. Pemupukan
Dalam proses pemupukan tanaman krisan, peneliti mengacu pada
standar operasional prosedur pemupukan tanaman induk nomor :
Ben.hias/kri/IX/2008 yang disahkan Desember 2009 (Balai Pengkajian
Teknologi Pertanian Yogyakarta, 2009, Hal. IX-1). Dengan
pengaplikasian pupuk daun (Pupuk Pelengkap Cair atau PPC dengan
kandungan N tinggi, dosis 2gr/liter air diberikan berulang setiap satu
minggu sekali (Balai Pengkajian Teknologi Pertanian Yogyakarta, 2009, Hal.
IX-2). Sedangkan untuk ukuran perbandingan yang tidak sesuai standar,
peneliti menentukan dosis 1gr/liter.
Proses pemupukan dilakukan setiap 7 hari sekali mulai dari
penanaman bibit. Pemupukan dilakukan dengan cara mencampur pupuk
urea dengan dosis 1 gram untuk 2 kelompok tanaman serta 2 gram
untuk 2 kelompok tanaman, lalu melarutkanya ke dalam air sebanyak 2
liter untuk setiap kelompok tanaman. Cara memberikan pupuk tidak
langsung terkena tanaman tetapi disiramkan ke tanah karena jika
terkena tanaman dikhawatirkan daun tanaman akan kering karena efek
panas dari pupuk. Oleh karena itu setelah pemupukan selesai tanaman
harus disiram lagi.
b. Penyiraman Tanaman
54
Proses penyiraman tanaman dilakukan setiap pagi hari untuk 2
kelompok tanaman dan 2 kelompok tanaman yang lain dilakukan
penyiraman setiap sore hari sekali dengan menggunakan selang. Cara
yang dilakukan yaitu dengan menggunakan penyiraman seperti hujan.
Ujung dari selang diberi gembor agar air yang keluar tidak terlalu besar
sehingga penyiraman bisa dilakukan secara merata tanpa harus merusak
tanaman yang masih kecil.
c. Penyiangan Tanaman
Penyiangan tanaman dilakukan agar tanaman tidak terkena
penyakit. Proses ini dilakukan dengan 2 cara, yaitu dengan melakukan
penyemprotan tanaman dengan menggunakan pestisida dan melakukan
pencabutan rumput atau gulma di sekitar tanaman.
3.3 Pengamatan
Penelitian yang dilakukan disini adalah melihat pengaruh perlakuan
penyiraman dan dosis pupuk urea terhadap pertumbuhan serta perkembangan
tanaman bunga Chrysanthemum Puma Putih, yaitu dengan cara mengukur
morfologi tanaman. Pengukuran morfologi tanaman ini diantaranya mengukur
panjang batang, jumlah daun dan tinggi tanaman. Data morfologi tadi diperoleh
dengan cara mengukur panjang batang dan tinggi tanaman menggunakan
penggaris. Selanjutnya data morfologi tanaman ini digunakan sebagai variabel
inputan Neural Network dimana outputnya digunakan untuk mensimulasikan
salah satu dari jumlah keseluruhan satu kelompok tanaman.
55
Berikut adalah perincian jadwal pelaksanaan penelitian, dapat dilihat pada
tabel 3.2 Jadwal Pelaksanaan Penelitian :
Tabel 3.2 Jadwal Pelaksanaan Penelitian
No. Kegiatan Waktu Pelaksanaan
1. Mempersiapkan lahan (mengolah media tanam) 5 Juni 2012
2. Penanaman bibit bunga Chrysanthemum 11 Juni 2012
3. Pemupukan pertama dan penyiangan 18 Juni 2012
4. Pengambilan data 18 Juni 2012
5. Pemupukan kedua dan penyiangan 25 Juni 2012
6. Pengambilan Data 25 Juni 2012
7. Pemupukan ketiga dan penyiangan 2 Juli 2012
8. Pengambilan data 2 Juli 2012
9. Penyiangan 9 Juli 2012
10. Pengambilan data 9 Juli 2012
3.4 Desain Sistem
Secara garis besar desain sistem program ini terdiri dari beberapa bagian
diantaranya input, proses pengolahan dan output. Input dari sistem berupa data
hasil observasi berupa data morfologi. Data tersebut diantaranya panjang batang,
jumlah daun dan tinggi tanaman.
Selanjutnya data morfologi tersebut diolah dalam proses pengolahan input
menggunakan Neural Network. Sedangkan output berupa model simulasi
morfologi tanaman yang datanya diperoleh dari hasil output proses.
56
a. Input
Input dari sistem ini adalah data morfologi tanaman diantaranya
panjang batang, jumlah daun dan tinggi tanaman.
b. Proses
Data input tersebut kemudian diolah dengan menggunakan
perhitungan Neural Network berbasis XL-System.
c. Output
Output berupa model simulasi morfologi tanaman yang datanya
diperoleh dari hasil proses output.
Rancangan desain alur sistem ini dapat dilihat dari Gambar 3.2
Gambar 3.4 Desain Sistem
Pemberian variasi dosis pupuk UREA dan kadar Penyiraman
Data Tanaman : Panjang Batang, Banyak Daun dan
Tinggi Tanaman
Data Tanaman : Panjang Batang, Banyak
Daun dan Tinggi Tanaman
(DATA MSE Per-20 Tanaman)
Neural Network
Input dosis pupuk UREA, dan kadar Penyiraman
XL - SYSTEM
groIMP
Visualisasi Tanaman dan
Grafik Pertumbuhan
57
Gambar 3.5 Desain Alur Sistem Keseluruhan Proses Program
Secara keseluruhan proses pengolahan data dengan Neural Network dapat
dilihat pada diagram alur Gambar 3.6 sebagai berikut :
Input
(Morfologi Tanaman)
Normalisasi
(Scaling Decimal)
Output
(berupa visualisasi tanaman & Grafik pertumbuhan)
Neural Network
(Multilayer Perceptron)
Denormalisasi
(Scaling Decimal)
58
Gambar 3.6 Diagram Alur Sistem Keseluruhan Proses Program
Mulai
Masukkan Error maks Masukkan target error
Masukkan alpa
Inisialisasi Bobot
Visualisasi Tanaman &
Grafik
Inisialisasi Data
Normalisasi Data
Epoh = 0
Epoh = Epoh + 1
feedforward
backpropagation
Perbaharui Bobot
Hitung MSE
Cari Error Terkecil dari
20 Pola Tanaman
|(Output - Target)|
Selesai
MSE < Target Error
Denormalisasi
Tidak
Ya
Simpan Bobot
Pengujian
Hasil
Epoh ≤ Jumlah Epoh
59
3.5 Tahap Implementasi
Teknologi yang digunakan dalam pengembangan sistem ini adalah
teknologi simulasi berbasis XL-System (eXtended Lindenmayer System). Dengan
teknologi ini, memungkinkan kompleksitas alam dapat didefinisikan dengan
beberapa parameter dan aturan. Untuk menghasilkan suatu bentuk dengan metode
ini harus dilakukan dua langkah, yaitu aplikasi dari grammar untuk menghasilkan
string berisi struktur topologi dari tanaman dan interprestasi dari string tersebut.
Oleh karena itu L-System menggunakan metode iterasi untuk membuat
pertumbuhan tanaman.
Perulangan iterasi merupakan struktur kontrol perulangan yang umumnya
menggunakan perintah-perintah yang telah tersedia pada bahasa pemrograman,
setiap bahasa pemrograman mempunyai perintah perulangan yang berbeda-beda.
Dalam perulangan iterasi, proses perulangan akan dilakukan jika kondisi untuk
memulai proses perulangan terpenuhi dan akan berhenti jika kondisi untuk
menghentikan perulangan terpenuhi (Albab, Moh. Ulil. 2012).
Selanjutnya data-data yang telah diolah tadi dimanipulasi sedemikian
hingga menyerupai bentuk dan tampilan dari tanaman aslinya. Berikut adalah
hasil simulasi sebelum gambar dimanipulasi dan tampilan grafik pertumbuhan.
60
Gambar 3.7 Desain Simulasi
Gambar 3.8 Desain Grafik Pertumbuhan
61
BAB IV
ANALISA DAN PEMBAHASAN
4.1 Analisis Data
Pada penelitian tanaman krisan ini dilakukan pengambilan data setiap satu
minggu sekali. Dengan memberikan empat jenis macam perlakuan antara lain
perlakuan satu (pemupukan tujuh hari sekali dengan dosis pupuk urea 2 gram/liter
dengan penyiraman air setiap hari sekali pada sore hari), perlakuan dua
(pemupukan tujuh hari sekali dengan dosis pupuk urea 1 gram/liter dengan
penyiraman air setiap hari sekali pada sore hari), perlakuan tiga (pemupukan tujuh
hari sekali dengan dosis pupuk urea 2 gram/liter dengan penyiraman air setiap hari
sekali pada pagi hari), perlakuan empat (pemupukan tujuh hari sekali dengan
dosis pupuk urea 1 gram/liter dengan penyiraman air setiap hari sekali pada pagi
hari). Dari empat macam perlakuan yang sudah ditentukan maka diperoleh data
morfologi tanaman diantaranya diameter batang, panjang batang, lebar daun,
panjang daun, tinggi tanaman, dan banyak daun.
Namun, data morfologi tanaman yang digunakan pada penelitian ini
disesuaikan dengan batasan masalah maka data yang akan digunakan antara lain
panjang batang, jumlah daun dan tinggi tanaman. Untuk hasil keseluruhan
pengambilan data dapat dilihat pada lampiran. Sedangkan data yang akan diolah
pada bab ini adalah data tanaman perlakuan keempat dengan pengambilan data
terakhir. Data tersebut dikarenakan memiliki presentase error terkecil dan lebih
terlihat pengaruh dari perlakuan yang telah diberikan.
62
Tabel 4.1 Data Tanaman Perlakuan Keempat dan Pengambilan Data Terakhir
No. Panjang
Batang (cm)
Jumlah Daun
(helai)
Tinggi
Tanaman (cm)
1. 18,4 14 23,3
2. 20,4 16 24,4
3. 12 14 15,4
4. 17,7 15 21,5
5. 12,2 14 16,6
6. 17,1 16 20,5
7. 16,5 14 22,8
8. 15 15 18,4
9. 15,4 17 19,8
10. 16,2 15 20,2
11. 14,1 12 16,9
12. 17 17 20,4
13. 14,8 14 18,5
14. 13,9 12 17,6
15. 16,7 17 20,8
16. 18,5 14 20,4
17. 17,1 14 20,3
18. 15 17 17,4
19. 17,1 15 19,9
20. 17,3 13 19,7
Pada tabel 4.1 terdapat 20 tanaman yang akan dipilih salah satu untuk
disimulasikan. Pemilihan data ini menggunakan perhitungan Neural Network
untuk dicari nilai error terkecil, dimana error terkecil tersebut diperoleh dari
selisih dari data aktual dengan data hasil simulasi Neural Network yang nilainya
sudah dibuat absolut.
4.2 Pengolahan Data
Dalam penelitian ini terdiri dari dua input yaitu 𝑋1 dan 𝑋2, dan satu Output
atau target yaitu Y. Dimana 𝑋1 diperoleh dari panjang batang, 𝑋2diperoleh dari
jumlah daun dan Y diperoleh dari tinggi tanaman. Agar memperoleh hasil
63
perhitungan yang maksimal, maka dilakukan normalisasi data. Penulis memilih
menggunakan metode Decimal Scaling dengan nilai “m” sama dengan dua.
Berikut rumusnya :
𝑑′ = 𝑑
10𝑚 4.1
Ketengan :
d’ = data yang hasil normalisasi
d = data yang akan di normalisai
m = nilai integer untuk menggerakkan nilai desimal ke arah yang diinginkan.
Tabel 4.2 Data Tanaman Hasil Normalisasi dengan Decimal Scaling
No.
Input Hasil
𝑋1 𝑋2 Y 𝑋1
102
𝑋2
102
𝑌
102
1. 18,4 14 23,3 0,184 0,14 0,233
2. 20,4 16 24,4 0,204 0,16 0,244
3. 12 14 15,4 0,012 0,14 0,154
4. 17,7 15 21,5 0,177 0,15 0,215
5. 12,2 14 16,6 0,122 0,14 0,166
6. 17,1 16 20,5 0,171 0,16 0,205
7. 16,5 14 22,8 0,165 0,14 0,228
8. 15 15 18,4 0,015 0,15 0,184
9. 15,4 17 19,8 0,154 0,17 0,198
10. 16,2 15 20,2 0,162 0,15 0,202
11. 14,1 12 16,9 0,141 0,12 0,169
12. 17 17 20,4 0,017 0,17 0,204
13. 14,8 14 18,5 0,148 0,14 0,185
14. 13,9 12 17,6 0,139 0,12 0,176
15. 16,7 17 20,8 0,167 0,17 0,208
16. 18,5 14 20,4 0,185 0,14 0,204
17. 17,1 14 20,3 0,171 0,14 0,203
18. 15 17 17,4 0,015 0,17 0,174
19. 17,1 15 19,9 0,171 0,15 0,199
20. 17,3 13 19,7 0,173 0,13 0,197
64
4.3 Penentuan Parameter Jaringan
Pada penelitian ini menggunakan arsitektur Multilayer Perceptron (MLP).
Yang menjadi ciri khas dari MLP yaitu adanya ambang batas atau threshold pada
fungsi aktivasinya. Penentuan parameter juga dibutuhkan untuk mencari arsitektur
yang baik meliputi jumlah neuron, toleransi error, epoch dan learning rate
(alpha).
4.3.1 Memilih Learning Rate yang ideal
Untuk mendapatkan arsitektur jaringan yang optimal maka dilakukan proses
trial dan error terhadap learning rate. Hal ini disebabkan parameter learning rate
sangat mempengaruhi proses pelatihan. Proses pelatihan menjadi sangat lambat
jika learning rate yang digunakan terlalu kecil akan tetapi bila learning rate yang
digunakan terlalu besar maka proses belajar jaringan akan berisolasi atau
menyebar (Suyanto, 2007).
Sehingga hal pertama yang peneliti lakukan adalah menentukan learning rate
adalah menentukan parameter yang tersaji pada tabel 4.3 sebagai berikut.
Tabel 4.3 Parameter yang digunakan MLP untuk penentuan Learning Rate
No. Parameter Nilai
1 Jumlah Epoch maksimal 700 epoch
2 Jumlah Node Input layer 2 node
3 Jumlah Node Hidden layer 10 node
4 Jumlah Node Output layer 1 node
5 Jumlah Pola Data Pelatihan 20
6 Learning Rate atau alpha
0,001 ; 0,01 ; 0,02 ; 0,03 ; 0,04 ;
0,05 ; 0,09 ; 0,1 ; 0,2 ; 0,3 ; 0,4 ;
0,5 ; 0,6 ; 0,7 ; 0,8 ; 0,9 ; 1
7 Toleransi Error 0,0001 atau 1,0 𝑥 10−4
atau 1,0 x E-4
65
Sesuai dengan tabel 4.3 bahwa learning rate yang akan diseleksi, antara lain :
0,001 ; 0,01 ; 0,02 ; 0,03 ; 0,04 ; 0,05 ; 0,09 ; 0,1 ; 0,2 ; 0,3 ; 0,4 ; 0,5 ; 0,6 ; 0,7 ;
0,8 ; 0,9 ; dan 1
Tabel 4.4 Hasil 1 × running program untuk perbandingan learning rate, epoch,
MSE dan tanaman yang di simulasikan.
No. Learning
Rate (LR) Epoch MSE Simulasi
1. 0,001 700 0,0282148 Pola ke-3
2. 0,01 700 1,49E-04 Pola ke-20
3. 0,02 700 1,60E-04 Pola ke-5
4. 0,03 700 1,74E-04 Pola ke-13
5. 0,04 700 1,28E-04 Pola ke-11
6. 0,05 700 1,49E-04 Pola ke-20
7. 0,09 700 1,23E-04 Pola ke-11
8. 0,1 700 1,33E-04 Pola ke-11
9. 0,2 700 1,25E-04 Pola ke-11
10. 0,3 700 1,15E-04 Pola ke-13
11. 0,4 700 1,04E-04 Pola ke-11
12. 0,5 671 9,99E-05 Pola ke-3
13. 0,6 650 1,00E-04 Pola ke-3
14. 0,7 528 1,00E-04 Pola ke-3
15. 0,8 455 9,99E-05 Pola ke-3
16. 0,9 401 9.987E-5 Pola ke-3
17. 1 375 9,99E-05 Pola ke-3
Pada tabel 4.4 menunjukkan bahwa semakin besar nilai learning rate pada
proses pelatihan semakin bertambah kecil pula nilai epoch. Untuk percobaan
kedua dilakukan delapan kali running program, yang tersaji pada tabel 4.5
66
Tabel 4.5 Hasil 4 × running program untuk perbandingan learning rate (LR), epoch dan tanaman yang di simulasikan.
No. LR
Running ke-
1 2 3 4
Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi
1. 0,001 700 0,0228469 Pola ke-3 700 0,0228469 Pola ke-3 700 0,0258516 Pola ke-
3 700 0,0262862 Pola ke-3
2. 0,01 700 1,68E-04 Pola ke-
20 700 1,68E-04 Pola ke-5 700 1,58E-04
Pola ke-
5 700 1,81E-04 Pola ke-5
3. 0,02 700 1,43E-04 Pola ke-5 700 1,43E-04 Pola ke-
20 700 1,45E-04
Pola ke-
20 700 1,68E-04 Pola ke-5
4. 0,03 700 1,59E-04 Pola ke-
13 700 1,59E-04 Pola ke-5 700 1,39E-04
Pola ke-
11 700 1,73E-04
Pola ke-
13
5. 0,04 700 1,55E-04 Pola ke-
11 700 1,55E-04 Pola ke-5 700 1,39E-04
Pola ke-
20 700 1,47E-04
Pola ke-
20
6. 0,05 700 1,51E-04 Pola ke-
20 700 1,51E-04
Pola ke-
20 700 1,65E-04
Pola ke-
5 700 1,45E-04
Pola ke-
20
7. 0,09 700 1,37E-04 Pola ke-
11 700 1,37E-04
Pola ke-
11 700 1,39E-04
Pola ke-
20 700 1,33E-04
Pola ke-
20
8. 0,1 700 1,52E-04 Pola ke-
11 700 1,52E-04 Pola ke-5 700 1,32E-04
Pola ke-
11 700 1,36E-04
Pola ke-
20
9. 0,2 700 1,19E-04 Pola ke-
11 700 1,19E-04
Pola ke-
17 700 1,30E-04
Pola ke-
13 700 1,20E-04
Pola ke-
11
10. 0,3 700 1,12E-04 Pola ke-
13 700 1,12E-04
Pola ke-
13 700 1,08E-04
Pola ke-
4 700 1,07E-04 Pola ke-4
11. 0,4 700 1,04E-04 Pola ke-
11 700 1,04E-04 Pola ke-9 700 1,08E-04
Pola ke-
3 700 1,18E-04
Pola ke-
10
66
67
No. LR
Running ke-
1 2 3 4
Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi
12. 0,5 671 1,00E-04 Pola ke-3 700 1,00E-04 Pola ke-
15 700 1,03E-04
Pola ke-
2 700 1,01E-04
Pola ke-
15
13. 0,6 650 9,99E-05 Pola ke-3 607 9,99E-05 Pola ke-3 668 9,99E-05 Pola ke-
3 619 9,97E-05 Pola ke-3
14. 0,7 528 9,99E-05 Pola ke-3 510 9,99E-05 Pola ke-3 545 9,99E-05 Pola ke-
3 568 1,00E-04 Pola ke-3
15. 0,8 455 1,00E-04 Pola ke-3 435 1,00E-04 Pola ke-3 431 9,99E-05 Pola ke-
3 484 9,99E-05 Pola ke-3
16. 0,9 401 9,99E-05 Pola ke-
3 440 9,99E-05
Pola ke-
3 479 9,99E-05
Pola ke-
3 418 9,98E-05 Pola ke-3
17. 1 375 9,99E-05 Pola ke-3 339 1,00E-04 Pola ke-3 428 9,99E-05 Pola ke-
3 381 9,99E-05 Pola ke-3
Keterangan :
LR = Learning Rate
Data yang dinilai lebih stabil ditandai dengan baris berwarna kuning dan berhuruf tebal
67
68
No. LR
Running ke-
5 6 7 8
Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi
1. 0,001 700 0,0285751 Pola ke-3 700 0,0263981 Pola ke-3 700 0,0267733 Pola ke-
3 700 0,0312073 Pola ke-3
2. 0,01 700 1,66E-04 Pola ke-5 700 1,56E-04 Pola ke-5 700 1,68E-04 Pola ke-
5 700 1,64E-04 Pola ke-5
3. 0,02 700 1,80E-04 Pola ke-
13 700 1,49E-04
Pola ke-
20 700 1,60E-04
Pola ke-
5 700 1,67E-04 Pola ke-5
4. 0,03 700 1,59E-04 Pola ke-5 700 1,47E-04 Pola ke-
20 700 1,63E-04
Pola ke-
5 700 1,59E-04 Pola ke-5
5. 0,04 700 1,66E-04 Pola ke-5 700 1,48E-04 Pola ke-
20 700 1,41E-04
Pola ke-
11 700 1,44E-04
Pola ke-
20
6. 0,05 700 1,32E-04 Pola ke-
11 700 1,34E-04
Pola ke-
11 700 1,47E-04
Pola ke-
20 700 1,64E-04 Pola ke-5
7. 0,09 700 1,44E-04 Pola ke-
11 700 1,37E-04
Pola ke-
20 700 1,54E-04
Pola ke-
5 700 1,38E-04
Pola ke-
20
8. 0,1 700 1,35E-04 Pola ke-
20 700 1,32E-04
Pola ke-
17 700 1,26E-04
Pola ke-
20 700 1,38E-04
Pola ke-
20
9. 0,2 700 1,17E-04 Pola ke-
11 700 1,20E-04
Pola ke-
17 700 1,23E-04
Pola ke-
11 700 1,23E-04
Pola ke-
11
10. 0,3 700 1,13E-04 Pola ke- 700 1,14E-04 Pola ke- 700 1,09E-04 Pola ke- 700 1,08E-04 Pola ke-9
68
69
No. LR
Running ke-
5 6 7 8
Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi Epoch MSE Simulasi
13 13 9
11. 0,4 700 1,05E-04 Pola ke-9 700 1,03E-04 Pola ke-
11 700 1,02E-04
Pola ke-
4 700 1,03E-04
Pola ke-
15
12. 0,5 690 1,00E-04 Pola ke-3 700 1,01E-04 Pola ke-
15 700 1,01E-04
Pola ke-
15 700 1,01E-04 Pola ke-2
13. 0,6 672 9,99E-05 Pola ke-3 655 1,00E-04 Pola ke-
15 648 9,98E-05
Pola ke-
3 628 1,00E-04 Pola ke-3
14. 0,7 560 9,99E-05 Pola ke-3 565 1,00E-04 Pola ke-
15 553 1,00E-04
Pola ke-
3 515 1,00E-04 Pola ke-3
15. 0,8 457 9,99E-05 Pola ke-3 431 1,00E-04 Pola ke-
15 472 9,99E-05
Pola ke-
3 524 1,00E-04 Pola ke-3
16. 0,9 450 9,99E-05 Pola ke-
3 451 1,00E-04
Pola ke-
3 498 9,95E-05
Pola ke-
3 452 9,97E-05
Pola ke-
3
17. 1 379 9,98E-05 Pola ke-3 405 9,98E-05 Pola ke-
15 384 9,98E-05
Pola ke-
15 385 1,00E-04 Pola ke-3
Keterangan :
LR = Learning Rate
Data yang dinilai lebih stabil ditandai dengan baris berwarna kuning dan berhuruf tebal
69
Pada percobaan kedua dapat dilihat bahwa learning rate dengan nilai 0,1
dan 0,9 lebih stabil dari nilai learning rate yang lain dalam mensimulasikan pola
tanaman secara konsisten hingga dua kali percobaan hingga delapan kali running.
Penulis melakukan percobaan ketiga, hingga dua puluh kali running. Untuk
percobaan ketiga dapat dilihat pada lampiran 3, setelah didapatkan kedua nilai
learning rate pada tabel 4.4 dan tabel 4.5 bahwa penulis memilih nilai 0,9 dengan
pertimbangan bahwa nilai MSE lebih kecil daripada nilai learning rate 0,1.
4.3.2 Memilih Neuron yang ideal
Untuk mendapat nilai MSE dan simulasi yang stabil, program diujicoba
sebanyak dua percobaan dengan melakukan perubahan jumlah hidden neuron
pada hidden layer. Percobaan dengan 4 kali running. Nilai yang akan diujikan
antara 1 unit neuron hingga 20 unit neuron yang tersaji pada tabel 4.6 berikut :
Tabel 4.6 Hasil 5 × running program untuk perbandingan jumlah hidden neuron,
learning rate, pola simulasi, epoch dan MSE
Neuron LR Running ke-1 Running ke-2
Pola ke- Epoch MSE Pola ke- Epoch MSE
1 0,9 15 406 1,00E-04 15 434 9,97E-05
2 0,9 15 410 1,00E-04 15 430 1,00E-04
3 0,9 15 461 1,00E-04 15 391 9,98E-05
4 0,9 15 414 9,99E-05 15 484 1,00E-04
5 0,9 15 432 9,99E-05 15 451 9,99E-05
6 0,9 15 414 1,00E-04 15 485 9,98E-05
7 0,9 15 408 9,98E-05 3 464 9,99E-05
8 0,9 3 447 1,00E-04 3 442 1,00E-04
9 0,9 3 441 9,99E-05 15 436 9,99E-05
10 0,9 3 490 9,99E-05 3 392 9,98E-05
11 0,9 3 411 1,00E-04 3 407 9,99E-05
12 0,9 3 464 9,99E-05 3 390 1,00E-04
70
71
Neuron LR Running ke-1 Running ke-2
Pola ke- Epoch MSE Pola ke- Epoch MSE
13 0,9 3 369 9,97E-05 3 369 1,00E-04
14 0,9 3 475 9,99E-05 3 399 1,00E-04
15 0,9 3 377 1,00E-04 3 372 9,98E-05
16 0,9 3 407 9,99E-05 3 434 9,99E-05
17 0,9 3 419 9,98E-05 3 448 9,97E-05
18 0,9 3 416 9,99E-05 3 381 1,00E-04
19 0,9 3 395 1,00E-04 3 336 1,00E-04
20 0,9 3 314 1,00E-04 3 387 1,00E-04
Tabel 4.6 Hasil 5 × running program untuk perbandingan jumlah hidden neuron,
learning rate, pola simulasi, epoch dan MSE
Neuron LR Running ke-3 Running ke-4
Pola ke- Epoch MSE Pola ke- Epoch MSE
1 0,9 15 410 9,93E-05 15 372 9,96E-05
2 0,9 15 411 1,00E-04 15 509 1,00E-04
3 0,9 15 481 9,98E-05 15 430 1,00E-04
4 0,9 15 532 9,99E-05 15 470 1,00E-04
5 0,9 15 422 1,00E-04 15 411 9,99E-05
6 0,9 15 373 1,00E-04 15 448 9,98E-05
7 0,9 15 414 1,00E-04 15 407 9,99E-05
8 0,9 15 475 1,00E-04 3 402 9,99E-05
9 0,9 3 402 1,00E-04 3 375 1,00E-04
10 0,9 3 457 9,99E-05 3 410 9,99E-05
11 0,9 3 451 9,99E-05 3 441 9,99E-05
12 0,9 3 372 9,99E-05 15 417 9,98E-05
13 0,9 3 371 1,00E-04 3 415 1,00E-04
14 0,9 3 418 9,99E-05 3 412 9,99E-05
15 0,9 3 465 9,98E-05 3 386 1,00E-04
16 0,9 3 432 1,00E-04 3 387 9,98E-05
17 0,9 3 414 1,00E-04 3 375 1,00E-04
18 0,9 3 402 1,00E-04 3 438 1,00E-04
19 0,9 3 398 1,00E-04 3 417 9,99E-05
20 0,9 3 429 9,99E-05 3 333 1,00E-04
72
Keterangan :
= Mendapatkan pola simulasi yang tidak konstan
= MSE tidak stabil
= Simulasi dan MSE tidak stabil
= Simulasi dan MSE lebih paling stabil
Dari percobaan diatas bahwa jumlah hidden neuron yang dapat
mensimulasikan pola tanaman lebih stabil dan lebih konstan adalah 2 dan 10.
Dengan pertimbangan nilai MSE yang lebih kecil dari kedua nilai tersebut maka
penulis memilih hidden neuron dengan nilai 10.
4.3.3 Perhitungan Multilayer Perceptron
Jaringan Neural Network model Multilayer Perceptron ini terdiri dari 3
lapisan yaitu input layer, hidden layer dan output layer. Sehingga dapat
digambarkan sebegai berikut :
Gambar 4.1 Struktur Neural Network
J
J
J
I
I
K
Lapisan 1
(Input Layer)
X1
X2
Wij Wjk
Lapisan 2
(Hidden Layer)
Lapisan 3
(Output Layer)
73
(1) Lapisan 1 (Input Layer)
Pada lapisan satu terdapat tiga macam fungsi diantaranya :
A. Inisialisasi Bobot
Berfungsi untuk inisialisasi seluruh bobot dengan bilangan
acak kecil. Bobot input ke hidden yaitu Wij dan Bobot hidden ke
output yaitu Wjk .
B. Inisialisasi Data
Berfungsi untuk menginisialisasi seluruh data dengan data
aktual termasuk menetapkan Bias bernilai satu.
C. Normalisasi Data
Berfungsi untuk menskalakan nilai atribut dari data sehingga
dapat ditetapkan pada range tertentu.
Tabel 4.7 Hasil dari Normalisasi Data
Data
ke-
Input Hasil
X1 X2 μA1(x1) μB1(x2) μA2(x1) μB2(x2)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
0.184
0.204
0.12
0.177
0.122
0.171
0.165
0.15
0.154
0.162
0.141
0.17
0.148
0.139
0.167
0.185
0.171
0.15
0.171
0.14
0.16
0.14
0.15
0.14
0.16
0.14
0.15
0.17
0.15
0.12
0.17
0.14
0.12
0.17
0.14
0.14
0.17
0.15
0.529
0.191
0.128
0.764
0.138
0.953
0.988
0.529
0.657
0.928
0.324
0.973
0.473
0.292
1.0
0.5
0.953
0.529
0.953
0.98
0.604
0.98
0.9
0.98
0.604
0.98
0.9
0.377
0.9
0.455
0.377
0.98
0.455
0.377
0.98
0.98
0.377
0.9
0.087
0.042
0.259
0.121
0.297
0.167
0.242
0.725
0.54
0.297
0.994
0.177
0.824
0.949
0.213
0.084
0.167
0.725
0.167
0.384
0.996
0.384
0.735
0.384
0.996
0.384
0.735
0.65
0.735
0.129
0.65
0.384
0.129
0.65
0.384
0.384
0.65
0.735
74
Data
ke-
Input Hasil
X1 X2 μA1(x1) μB1(x2) μA2(x1) μB2(x2)
20. 0.173 0.13 0.9 0.723 0.15 0.211
(2) Lapisan 2 (Hidden Layer)
Pada lapisan ini akan ada dua model perhitungan, diantaranya perhitungan
propagasi maju (feed forward) dan perhitungan propagasi mundur (backforward
atau backpropagation). Kedua proses tersebut akan mengalami perulangan hingga
memperoleh MSE terkecil dengan maksimal perulangan (epoch atau iterasi) yang
sudah penulis tentukan sebesar 700 iterasi.
A. Perhitungan progasi maju (feedforward)
Setiap unit masukan (𝑋𝑖 , 𝑖 = 1, . . . , 𝑛) menerima input 𝑋𝑖 dan meneruskan
sinyal ini untuk semua unit di lapisan atas (unit tersembunyi atau hidden layer).
Menghitung semua keluaran di unit tersembunyi (𝑍𝑗, 𝑗 = 1, . . . , 𝑝)
𝑧𝑖𝑛𝑗= 𝑣𝑗0 + ∑ 𝑥𝑖𝑣𝑗𝑖
𝑛
𝑛
𝑖=1
(4.2)
Jaringan ini terdiri dari beberapa unit masukan (ditambah sebuah bias),
dan memiliki sebuah unit keluaran. Hanya saja fungsi aktivasi bukan merupakan
fungsi biner (atau bipolar), tetapi memiliki kemungkinan bernilai -1, 0 atau 1
(Siang, 2009, Hal. 59-60). Sehingga menggunakan fungsi aktivasi Hyperbolic
Tangent untuk menghitung sinyal outputnya.
𝑧𝑗 = 𝑓(𝑧_𝑖𝑛𝑗) =exp( 𝑧𝑖𝑛𝑗
) − exp(−𝑧𝑖𝑛𝑗)
exp( 𝑧𝑖𝑛𝑗) + exp(−𝑧𝑖𝑛𝑗
)=
1 − exp (−2𝑧𝑖𝑛𝑗)
1 + exp (−2𝑧𝑖𝑛𝑗)
(4.3)
75
dan mengirim sinyal ini ke semua unit di lapisan atas (unit-unit output),
dimana untuk suatu nilai threshold θ yang ditentukan :
𝑧𝑗 = 𝑓 (𝑧𝑖𝑛𝑗) = {
10
−0
𝑧𝑖𝑛𝑗> 𝜃
– 𝜃 ≤ 𝑧𝑖𝑛𝑗≤ 𝜃
𝑧𝑖𝑛𝑗< −𝜃
Secara geometris, fungsi aktivasi membentuk 2 garis sekaligus, masing-
masing dengan persamaan :
𝑤1𝑥1 + 𝑤2𝑥2 + … + 𝑤𝑛𝑥𝑛 + 𝑏 = 𝜃 𝑑𝑎𝑛
𝑤1𝑥1 + 𝑤2𝑥2 + … + 𝑤𝑛𝑥𝑛 + 𝑏 = −𝜃
Menghitung semua keluaran jaringan di unit 𝑦𝑘(𝑘 = 1,2, … , 𝑚).
𝑦𝑖𝑛𝑘= 𝑤𝑘0 + ∑ 𝑧𝑗𝑤𝑘𝑗
𝑛
𝑚
𝑗=1
(4.4)
dan menerapkan fungsi aktivasi linier untuk menghitung sinyal outputnya,
𝑦𝑘 = 𝑓(𝑦_𝑖𝑛𝑘) = 𝑦𝑖𝑛𝑘 𝑥 1 (4.5)
Menghitung faktor 𝛿 (delta atau local gradient) unit keluaran berdasarkan
kesalahan (error) di setiap unit 𝛿𝑘 keluaran 𝑦𝑘(𝑘 = 1,2, … , 𝑚).
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑓′(𝑦𝑖𝑛𝑘) (4.6)
Menghitung bobot yang digunakan untuk memperbarui bobot 𝑤𝑗𝑘
∆𝑤𝑗𝑘 = 𝑎𝛿𝑘𝑧𝑗 (4.7)
Menghitung bobot bias yang digunakan untuk memperbarui bobot 𝑤0𝑘
∆𝑤0𝑘 = 𝑎𝛿𝑘 (4.8)
76
𝛿𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot
lapisan di bawahnya (langkah 7). Menghitung suku perubahan bobot 𝑤𝑘𝑗 (yang
akan dipakai nanti untuk merubah bobot 𝑤𝑘𝑗) dengan laju percepatan 𝛼.
B. Perhitungan propagasi mundur (Backpropagation)
Menghitung faktor 𝛿 unit tersembunyi berdasarkan kesalahan di setiap unit
tersembunyi 𝑧𝑗(𝑗 = 1,2, … , 𝑝).
𝛿𝑖𝑛𝑗= ∑ 𝛿𝑘𝑤𝑗𝑘
𝑚
𝑘=1
(4.9)
mengalikan dengan turunan dari fungsi aktivasi untuk menghitung jangka
informasi error-nya, Faktor 𝛿 unit tersembunyi:
𝛿𝑗 = (𝛿𝑖𝑛𝑗) 𝑓′ (𝑧𝑖𝑛𝑗
) (4.10)
𝑓′ (𝑧𝑖𝑛𝑗) = (1 + 𝑓 (𝑧𝑖𝑛𝑗
)) (1 − 𝑓 (𝑧𝑖𝑛𝑗)) = 1 − (𝑓 (𝑧𝑖𝑛𝑗
)) (𝑓 (𝑧𝑖𝑛𝑗)) (4.12)
Menghitung suku perubahan bobot 𝑣𝑖𝑗 (yang akan dipakai nanti untuk
merubah bobot 𝑣𝑖𝑗)
∆𝑣𝑖𝑗 = 𝛼𝛿𝑗𝑥𝑖; 𝑗 = 1,2, … . 𝑝; 𝑖 = 0,1, … , 𝑛 (4.13)
Menghitung suku perubahan bobot bias 𝑣0𝑗 (yang akan dipakai nanti untuk
merubah bobot 𝑣0𝑗).
∆𝑣0𝑗 = 𝛼𝛿𝑗; 𝑗 = 1,2, … . 𝑝 (4.14)
Menghitung semua perubahan bobot.
Perubahan bobot garis yang menuju ke unit keluaran:
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗; 𝑘 = 1,2, … . 𝑚; 𝑗 = 0,1, … , 𝑝 (4.15)
77
perubahan bobot yang menuju ke unit tersembunyi:
𝑣𝑖𝑗(𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗(𝑙𝑎𝑚𝑎) + ∆𝑣𝑖𝑗; 𝑗 = 1,2, … . 𝑝; 𝑖 = 0,1, … , 𝑛 (4.16)
Menghitung MSE. Jika nilai MSE belum lebih kecil daripada target error
(epsilon) atau jumlah epoch yang sudah ditentukan, maka langkah 3-8 terus
dilakukan.
𝑀𝑆𝐸 = ∑ (𝑦𝑡𝑎𝑟𝑔𝑒𝑡,𝑖 – 𝑦𝑜𝑢𝑡𝑝𝑢𝑡,𝑖)
2𝑛1=1
𝑛 (4.17)
Setelah program dijalankan dengan bobot acak dalam satu kali running
sehingga berhenti pada iterasi ke-387 maka diperoleh MSE dengan nilai 1.0E-4
dan nilai SSE 0.0019964081582179035.
Gambar 4.2 Screenshoot pada nilai epoch, MSE dan SSE
proses pembelajaran
78
Gambar 4.3 Grafik MSE
Gambar 4.4 Screenshoot pada hasil pembelajaran.
79
Gambar 4.5 Grafik hasil pembelajaran
Tabel 4.8 Hasil Pembelajaran
Pola
Tanaman Data Aktual
Neural
Network Selisih
Yang
disimulasikan Pola ke-1 23.3 cm 21.82392 cm 1.47608 cm -
Pola ke-2 24.4 cm 24.29826 cm 0.10174 cm -
Pola ke-3 15.4 cm 15.44255 cm 0.04255 cm √
Pola ke-4 21.5 cm 21.37022 cm 0.12978 cm -
Pola ke-5 16.6 cm 15.64229 cm 0.95771 cm -
Pola ke-6 20.5 cm 21.016 cm 0.516 cm -
Pola ke-7 22.8 cm 19.93183 cm 2.86817 cm -
Pola ke-8 18.4 cm 18.68019 cm 0.28019 cm -
Pola ke-9 19.8 cm 19.5659 cm 0.2341 cm -
Pola ke-10 20.2 cm 19.87629 cm 0.32371 cm -
Pola ke-11 16.9 cm 17.05119 cm 0.15119 cm -
Pola ke-12 20.4 cm 21.15957 cm 0.75957 cm -
Pola ke-13 18.5 cm 18.23712 cm 0.26288 cm -
Pola ke-14 17.6 cm 16.85157 cm 0.74843 cm -
Pola ke-15 20.8 cm 20.86087 cm 0.06087 cm -
Pola ke-16 20.4 cm 21.92344 cm 1.52344 cm -
Pola ke-17 20.3 cm 20.52956 cm 0.22956 cm -
Pola ke-18 17.4 cm 19.16724 cm 1.76724 cm -
80
Pola
Tanaman Data Aktual
Neural
Network Selisih
Yang
disimulasikan Pola ke-19 19.9 cm 20.77281 cm 0.87281 cm -
Pola ke-20 19.7 cm 20.48549 cm 0.78549 cm -
Selisih antara data aktual dan data hasil perhitungan Neural Network nilai
error. Dan nilai error ini diambil nilai terkecil untuk mengetahui data keberapa
yang akan disimulasikan. Simulasi ini akan mensimulasikan data aktual dari data
penelitian dengan menampilkan pola ke-n, tinggi tanaman dan jumlah daun.
4.4 Implementasi Program
Untuk menjalankan program simulasi ini ada beberapa hal yang perlu disiapkan
baik dari segi kebutuhan perangkat keras maupun perangkat lunak.
4.4.1 Instalasi Program
a. Kebutuhan Perangkat Keras
1. Komputer dengan processor minimal dual core atau diatasnya.
2. Memory minimal 256 Mbytes atau diatasnya.
3. Hardisk 80 Gbytes atau diatasnya.
4. VGA 358 Mbytes atau diatasnya.
b. Kebutuhan Perangkat Lunak
1. Windows 7 sebagai sistem operasi.
2. Instalasi JRE (Java Runtime Environment) minimal versi 1.4
3. Instalasi GroImp sebagai editor bahasa XL.
81
4.4.2 Pembuatan Program
Pembuatan program simulasi ini dilakukan sebanyak dua kali. Bagian
pertama yaitu proses pembuatan program perhitungan Neural Network
berdasarkan data-data yang diperoleh dari penelitian yang telah dilakukan pada
Sub Bab 4.2 Pengolahan Data. Bagian kedua yaitu proses pembuatan visualisasi
output Neural Network yang berupa simulasi pertumbuhan tanaman krisan.
Berikut adalah potongan-potongan source code program Neural Network :
a) Source Code Untuk Inputan atau Inisialisasi Data dan Penentuan
Parameter Jaringan
import java.util.Arrays;
import javax.swing.JOptionPane;
import java.awt.*;
import java.awt.event.*;
import javax.swing.*;
import javax.swing.event.*;
public static int Jumlah_Iterasi = 700; // Jumlah siklus pelatihan
public static int Bias = 1; // Bias
public static int Jumlah_Input = 3; // Jumlah input - ini
termasuk Bias masukan
public static int Jumlah_Hidden = 10; // jumlah unit tersembunyi
public static int Jumlah_Output = 1; // Jumlah output
public static int Jumlah_Pola = 20; // Jumlah pola pelatihan
public static double Laju_Pembelajaran = 0.9; // Laju pemahaman(learning
rate)
public static double Target_Error = 0.0001; // Galat Maksimum MSE
// Data Training
// Data Training
public static double[][] Training_Inputs = new
double[Jumlah_Pola][Jumlah_Input];
public static double[] Output_Target = new double[Jumlah_Pola];
// KETERANGAN :
// PERLAKUAN 4 (Minggu ke-4 / 9 Juli 2012)
// PENYIRAMAN SETIAP PAGI HARI
// DOSIS UREA 1 GRAM/LITER
public static void Inisialisasi_Data(){
println(" Inisialisasi Data");
Training_Inputs[0][0] = 18.4; // Panjang Batang (1)
Training_Inputs[0][1] = 14; // Jumlah Daun
Training_Inputs[0][2] = Bias; // Bias
Output_Target[0] = 23.3; // Tinggi Tanaman
Training_Inputs[1][0] = 20.4; // Panjang Batang (2)
82
Training_Inputs[1][1] = 16; // Jumlah Daun
Training_Inputs[1][2] = Bias; // Bias
Output_Target[1] = 24.4; // Tinggi Tanaman
Training_Inputs[2][0] = 12; // Panjang Batang (3)
Training_Inputs[2][1] = 14; // Jumlah Daun
Training_Inputs[2][2] = Bias; // Bias
Output_Target[2] = 15.4; // Tinggi Tanaman
Training_Inputs[3][0] = 17.7; // Panjang Batang (4)
Training_Inputs[3][1] = 15; // Jumlah Daun
Training_Inputs[3][2] = Bias; // Bias
Output_Target[3] = 21.5; // Tinggi Tanaman
Training_Inputs[4][0] = 12.2; // Panjang Batang (5)
Training_Inputs[4][1] = 14; // Jumlah Daun
Training_Inputs[4][2] = Bias; // Bias
Output_Target[4] = 16.6; // Tinggi Tanaman
Training_Inputs[5][0] = 17.1; // Panjang Batang (6)
Training_Inputs[5][1] = 16; // Jumlah Daun
Training_Inputs[5][2] = Bias; // Bias
Output_Target[5] = 20.5; // Tinggi Tanaman
Training_Inputs[6][0] = 16.5; // Panjang Batang (7)
Training_Inputs[6][1] = 14; // Jumlah Daun
Training_Inputs[6][2] = Bias; // Bias
Output_Target[6] = 22.8; // Tinggi Tanaman
Training_Inputs[7][0] = 15; // Panjang Batang (8)
Training_Inputs[7][1] = 15; // Jumlah Daun
Training_Inputs[7][2] = Bias; // Bias
Output_Target[7] = 18.4; // Tinggi Tanaman
Training_Inputs[8][0] = 15.4; // Panjang Batang (9)
Training_Inputs[8][1] = 17; // Jumlah Daun
Training_Inputs[8][2] = Bias; // Bias
Output_Target[8] = 19.8; // Tinggi Tanaman
Training_Inputs[9][0] = 16.2; // Panjang Batang (10)
Training_Inputs[9][1] = 15; // Jumlah Daun
Training_Inputs[9][2] = Bias; // Bias
Output_Target[9] = 20.2; // Tinggi Tanaman
Training_Inputs[10][0] = 14.1; // Panjang Batang (11)
Training_Inputs[10][1] = 12; // Jumlah Daun
Training_Inputs[10][2] = Bias; // Bias
Output_Target[10] = 16.9; // Tinggi Tanaman
Training_Inputs[11][0] = 17; // Panjang Batang (12)
Training_Inputs[11][1] = 17; // Jumlah Daun
Training_Inputs[11][2] = Bias; // Bias
Output_Target[11] = 20.4; // Tinggi Tanaman
Training_Inputs[12][0] = 14.8; // Panjang Batang (13)
Training_Inputs[12][1] = 14; // Jumlah Daun
Training_Inputs[12][2] = Bias; // Bias
Output_Target[12] = 18.5; // Tinggi Tanaman
Training_Inputs[13][0] = 13.9; // Panjang Batang (14)
Training_Inputs[13][1] = 12; // Jumlah Daun
Training_Inputs[13][2] = Bias; // Bias
83
Output_Target[13] = 17.6;
Training_Inputs[14][0] = 16.7; // Panjang Batang (15)
Training_Inputs[14][1] = 17; // Jumlah Daun
Training_Inputs[14][2] = Bias; // Bias
Output_Target[14] = 20.8; // Tinggi Tanaman
Training_Inputs[15][0] = 18.5; // Panjang Batang (16)
Training_Inputs[15][1] = 14; // Jumlah Daun
Training_Inputs[15][2] = Bias; // Bias
Output_Target[15] = 20.4; // Tinggi Tanaman
Training_Inputs[16][0] = 17.1; // Panjang Batang (17)
Training_Inputs[16][1] = 14; // Jumlah Daun
Training_Inputs[16][2] = Bias; // Bias
Output_Target[16] = 20.3; // Tinggi Tanaman
Training_Inputs[17][0] = 15; // Panjang Batang (18)
Training_Inputs[17][1] = 17; // Jumlah Daun
Training_Inputs[17][2] = Bias; // Bias
Output_Target[17] = 17.4; // Tinggi Tanaman
Training_Inputs[18][0] = 17.1; // Panjang Batang (19)
Training_Inputs[18][1] = 15; // Jumlah Daun
Training_Inputs[18][2] = Bias; // Bias
Output_Target[18] = 19.9; // Tinggi Tanaman
Training_Inputs[19][0] = 17.3; // Panjang Batang (20)
Training_Inputs[19][1] = 13; // Jumlah Daun
Training_Inputs[19][2] = Bias; // Bias
Output_Target[19] = 19.7; // Tinggi Tanaman
}
b) Source Code inisialisasi bobot
//Inisialisasi Bobot
public static void Inisialisasi_Bobot() {
for (int j = 0; j < Jumlah_Hidden; j++) {
Bobot_Hidden_Output[j] = (Math.random() - 0.5) / 2; //
bilangan acak raqndom - 0.5 hingga 0.5
for (int i = 0; i < Jumlah_Input; i++) {
Bobot_Input_Hidden[i][j] = (Math.random() -
0.5) / 5;
}
}
}
c) Source Code normalisasi
//Prosedur Normalisasi
public static void Normalisasi(){
for (int i = 0; i < Jumlah_Pola; i++) {
double x1 = Training_Inputs[i][0];
double x2 = Training_Inputs[i][1];
double y = Output_Target[i];
84
double m = 2;
Training_Inputs_Normalisasi[i][0] = x1 / (Math.pow(10,2));
Training_Inputs_Normalisasi[i][1] = x2 / (Math.pow(10,2));
Output_Target_Normalisasi[i] = y / (Math.pow(10,2));
}
Training_Inputs = Training_Inputs_Normalisasi;
Output_Target = Output_Target_Normalisasi;
}
d) Source Code proses perhitungan jaringan (Feedforward)
//Feedforward
public static void feedforward(){
//calculate the outputs of the hidden neurons
//the hidden neurons are tanh
for (int j = 0; j < Jumlah_Hidden; j++){
Hidden_Value[j] = 0.0;
for (int i = 0; i < Jumlah_Input; i++){
Hidden_Value[j] = Hidden_Value[j] +
(Training_Inputs[Jumlah_Pola_Tanaman][i] * Bobot_Input_Hidden[i][j]);
}
Hidden_Value[j] = tanh(Hidden_Value[j]); //fungsi aktivasi
tanh
}
//calculate the output of the network
//the output neuron is linear
Target = 0.0;
for (int j = 0; j < Jumlah_Hidden; j++){
Target = Target + Hidden_Value[j] * Bobot_Hidden_Output[j];
//fungsi aktivasi linier
}
//menghitung kesalahan
Error_Pola_Ini = (Target - Output_Target[Jumlah_Pola_Tanaman]); //
Error
}
e) Source Code perubahan bobot Input ke Hidden layer (Backpropagation)
//Backpropagation
public static void backpropagation(){
//adjust the weights input-hidden
// return 1 - Math.pow(Math.tanh(Hidden_Value[i]), 2);
for (int j = 0; j < Jumlah_Hidden; j++) {
for (int i = 0; i < Jumlah_Input; i++) {
double x = derivative_tanh(Hidden_Value[i]);
x = x * Bobot_Hidden_Output[j] * Error_Pola_Ini *
Laju_Pembelajaran;
x = x * Training_Inputs[Jumlah_Pola_Tanaman][i];
double weightChange = x;
Bobot_Input_Hidden[i][j] = Bobot_Input_Hidden[i][j] -
weightChange;
}
85
}
f) Source Code perubahan bobot Hidden ke Output layer
(Backpropagation)
for (int j = 0; j < Jumlah_Hidden; j++){
double weightChange = Laju_Pembelajaran * Error_Pola_Ini *
Hidden_Value[j];
Bobot_Hidden_Output[j] = Bobot_Hidden_Output[j] -
weightChange;
//Aturan pada bobot keluaran
if (Bobot_Hidden_Output[j] < -5) {
Bobot_Hidden_Output[j] = -5;
}
else if (Bobot_Hidden_Output[j] > 5) {
Bobot_Hidden_Output[j] = 5;
}
}
}
g) Source Code fungsi aktivasi Hyperbolic Tangent
//Fungsi Hyperbolic Tangen
public static double tanh(double x){
if (x > 20){
return 1;
}
else if (x < -20){
return -1;
}
else{
double a = (1 - (Math.exp(-2 * x)));
double b = (1 + (Math.exp(-2 * x)));
return a / b;
}
}
h) Source Code perhitungan seluruh jumlah error
//Hitung semua error
public static void Hitung_Semua_Error(){
Sum_Square_Error = 0.0;
Mean_Square_Error = 0.0;
for (int i = 0; i < Jumlah_Pola; i++){
Jumlah_Pola_Tanaman = i;
feedforward();
Sum_Square_Error = Sum_Square_Error + (Error_Pola_Ini *
Error_Pola_Ini);
}
Mean_Square_Error = Sum_Square_Error / Jumlah_Pola;
}
i) Source Code deNormalisasi
86
public static double denormalisasi(double y){
//Fungsi DeNormalisasi Output
public static double deNormalisasi(double y){
double m = 2;
double x = y * (Math.pow(10,2));
return x;
}
j) Source Code proses Neural Network dengan model Multilayer
Perceptron
protected void MLP(){
//initiate the weights //Inisiasi Bobot
Inisialisasi_Bobot();
//load in the data //Memuat Data
Inisialisasi_Data();
// Normalisasi
Normalisasi();
//training network //pelatihan jaringan
for (int j = 0; j <= Jumlah_Iterasi; j++){
for (int i = 0; i < Jumlah_Pola; i++){
//select a polatern at random
Jumlah_Pola_Tanaman = (int) ((Math.random() *
Jumlah_Pola) - 0.001);
//calculate the current network output
//and error for this polatern
feedforward();
//change network weights
backpropagation();
}
Hitung_Semua_Error();
DecimalFormat de = new
DecimalFormat(".######");
println(" epoch= "+ j
+"\t Mean_Square_Error= "+
(Double.valueOf(de.format(Mean_Square_Error)))
+"\t Sum_Square_Error= "+
(Sum_Square_Error)
);
if ( (Mean_Square_Error) < (Target_Error)){
break;
}
//Untuk Data Grafik Epoh
epochz[j]=j;
mse[j]=(Double.valueOf(de.format(Mean_Square_Error)));
}
Tampilkan_Hasil();
87
}
k) Source Code proses menampilkan hasil dari perhitungan Neural network
beserta grafik pertumbuhan tanaman
//Tampilkan hasil
public static void Tampilkan_Hasil(){
double[] arr = new double[Jumlah_Pola];
double[] tinggiAktual = new double[Jumlah_Pola];
double[] tinggiSimulasi = new double[Jumlah_Pola];
println(" ------------------------------------------------------
",0xff0000);
println(" Pola Tanaman\t Aktual\t Neural\t Error\t Squared
Error\t", 0xff0000);
for (int i = 0; i < Jumlah_Pola; i++){
Jumlah_Pola_Tanaman = i;
feedforward();
DecimalFormat df = new DecimalFormat(".###");
DecimalFormat de = new DecimalFormat(".###");
DecimalFormat di = new DecimalFormat(".###########");
println( " Pola ke-" + (Jumlah_Pola_Tanaman + 1)
+" \t " +
Double.valueOf(df.format((Output_Target[Jumlah_Pola_Tanaman])))
+"\t " + Double.valueOf(df.format((Target)))
+"\t " +
Double.valueOf(de.format((Math.abs(Error_Pola_Ini))))
+"\t " + (Math.abs(Error_Pola_Ini *
Error_Pola_Ini))
);
}
println(" -----------------Tabel Hasil DeNormalisasi--------------
",0xff0000);
println(" Pola Tanaman\t Aktual\t Neural\t Selisih",
0xff0000);
for (int i = 0; i < Jumlah_Pola; i++){
Jumlah_Pola_Tanaman = i;
feedforward();
DecimalFormat df = new DecimalFormat(".#####");
DecimalFormat de = new DecimalFormat(".#####");
println( " Pola ke-" + (Jumlah_Pola_Tanaman + 1)
+" \t " +
(Double.valueOf(df.format(deNormalisasi(Output_Target[Jumlah_Pola_Tanaman
]))))
+" cm\t " +
(Double.valueOf(df.format(deNormalisasi(Target))))
+" cm\t " +
(Double.valueOf(de.format(deNormalisasi(Math.abs(Error_Pola_Ini)))))
+" cm "
);
// Setiap value error dimasukkan ke array
arr[i]=Double.valueOf(de.format(deNormalisasi(Math.abs((Error_Pola
_Ini)))));
88
tinggiAktual[i]=Double.valueOf(de.format(deNormalisasi(Output_Targ
et[Jumlah_Pola_Tanaman])));
tinggiSimulasi[i]=Double.valueOf(df.format(deNormalisasi(Target)))
;
}
// Mencari selisih terkecil dari keseluruhan pola
int index = 0;
double small = arr[0];
for (int i = 0; i < arr.length; i++) {
if (arr[i] < small)
{
small = arr[i];
index = i;
}
}
index+=0;
println(" -------------------------------------------------------
",0xff0000);
println(" Silisih terkecil: "+ small +", pada pola ke-"+ (index +
1)
+",\n Tinggi Aktual: "+
(deNormalisasi(Output_Target[index])) + " cm"
+", Jumlah Daun: "+ (int)
(deNormalisasi(Training_Inputs[index][1])) + " lembar");
//deNormalisasi();
double tinggiz = deNormalisasi(Output_Target[index]);
int daunz = (int)deNormalisasi(Training_Inputs[index][1]);
DecimalFormat df = new DecimalFormat(".#");
println("
=======================================================",0xff0000);
println(" Yang akan di simulasikan atau divisualisasikan :
\t",0x000000);
println(" Data Aktual Tanaman Pola ke-"+ (index +
1),0x000000);
println(" Tinggi Tanaman : "+ Double.valueOf(df.format(tinggiz))
+" cm",0x000000);
println(" Jumlah Daun : "+ daunz +" lembar",0x000000);
println(" Tekan tombol \"Run Tumbuh\" untuk mengamati
pemodelan!\n",0x000000);
tinggi = tinggiz/daunz;
daun = daunz;
//Grafik Mean_Square_Error
epoh.clear().setTitle("Grafik Mean Square Error").
setColumnKey(0,"Epoch").
setColumnKey(1,"Error Maks ("+Target_Error+")");
chart(epoh,XY_PLOT);
epoh.setColumnLabel("Mean Squared Error (MSE)");
epoh.setRowLabel("Epochs");
double [] nilaierror=mse;
double [] jumlaherror=epochz;
for (int a=0; a < jumlaherror.length ;a++ ){
float y = nilaierror[a];
float x = jumlaherror[a];
89
Dataseries series = epoh.addRow().setX(0, x).setY(0,
y);
}
for (int c=0; c < jumlaherror.length ;c++ ){
float b = Target_Error;
float a = jumlaherror[c];
Dataseries series = epoh.addRow().setX(1, a).setY(1,
b);
}
//Grafik Perbandingan
grafik.clear().setTitle("Grafik Perbandingan Tinggi Tanaman
secara Aktual dan Neural Network ").
setColumnKey(0,"Aktual").
setColumnKey(1,"Neural Network");
chart(grafik,XY_PLOT);
grafik.setColumnLabel("Tinggi Tanaman (cm)");
grafik.setRowLabel("Pola Tanaman (ke-)");
double [] tinggiaktual=tinggiAktual;
int []
polaaktual={1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20};
for (int a=0; a < tinggiaktual.length ;a++ ){
float y = tinggiaktual[a];
float x = polaaktual[a];
Dataseries series = grafik.addRow().setX(0,
x).setY(0, y);
}
double [] tinggisimulasi=tinggiSimulasi;
int []
polasimulasi={1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20};
for (int s=0; s < tinggisimulasi.length ;s++ ){
float b = tinggisimulasi[s];
float a = polasimulasi[s];
Dataseries series = grafik.addRow().setX(1,
a).setY(1, b);
}
}
Setelah memalui perhitungan Neural Network maka langkah selanjutnya adalah
proses visualisasi dalam bentuk simulasi pertumbuhan tanaman krisan ini dimulai
dengan memasukan nilai dari input proses Neural Network. Berikut adalah
potongan source code untuk visualisasi tanaman :
l) Source Code untuk pembentukan Variabel dan Inisial Visualisasi
90
// ***** AWAL SOURCE CODE " PEMODELAN KRISAN " *****
public const double v = 0.001; // Pertumbuhan tiap looping
module batang(int panjang, int lnfb) extends F(v, 0.005){ //
Tinggi Tumbuhan, Diameter
{
setShader(barkMat);
}
};
// a meristem as seed for growth:
module Meristem(int panjang, int lnfb) extends Sphere(0.0005){ //
Besarnya titik tumbuh
{
setShader(GRAY);
}
};
// Daun
module Dedaun(int panjang, int lnfb) extends
Parallelogram(0.5,0.2); //wireframe model, untuk pertumbuhan daun
// Pola daun & batang (skinning)
const Shader leafmat = shader("daun");
const Shader barkMat = shader("batang");
public static double daun;
public static double tinggi;
public int jam; // jam
public int hari; // hari
public int nDaun; // total number of all leaves (Total
jumlah daun)
// number of jam units between the emergence of two leaves
const int loopBtgSamping = 40; // interval tumbuh kesamping dan
looping tiap ruas batang
const int loopBtgAtas = 60; // pengaruh terhadap
tinggi batang, interval tumbuh keatas dan looping tiap ruas batang
const int loopBtg = 96; // pertumbuhan daun
bersamaan dengan pertumbuhan batang
// Disamakan dengan variable parameter F
const float rTumBatang = v; // tinggi tumbuh per ruas batang
const float rTumDiameter = 0.000004; // besarnya diameter
const float rTumDaunSkala = 0.0016; // besarnya tumbuh daun
const float[] maxTumBatang = {0.03, 0.05, tinggi};
Agar menyerupai bentuk asli tanaman krisan maka dilakukan proses
skinning yaitu memasukan gambar texture daun dan batang pada komponen
tanaman agar menyerupai dengan aslinya. Source code nya sebagai berikut :
m) Source Code untuk Pembentukan Skinning
// Pola daun & batang (skinning)
const Shader leafmat = shader("daun");
91
const Shader barkMat = shader("batang");
Gambar texture batang dan daun ini diperoleh dengan mengambil gambar dari
tanaman aslinya.
(a) (b)
Gambar 4.6 Texture Tanaman (a) Batang dan (b) Daun
Setelah pembentukan variabel lalu pembentukan inisialisasi yang
digambarkan pada potongan source code berikut :
n) Source Code Untuk Pembentukan Inisialisasi
protected void init() {
MLP(); // memanggil method perhitungan MLP (MultiLayer
Perceptron)
hari=0;
jam = 0;
nDaun = 0;
[Axiom ==>Meristem random(0, 0);]
}
Kemudian kita akan menambahkan method tambahMeristem, tambahBatang
dan tambahDaun. Berikut adalah source nya :
o) Source Code Untuk Method Tambah Meristem
protected void tambahMeristem(){
// first rule: the meristem ages
[
m:Meristem ::> m[panjang]++;
// for a meristem: formation of the internode
m:Meristem, (m[panjang] == loopBtgSamping || m[lnfb]
== 0) ==>
batang(0, m[lnfb]+1) [
RH(5) RL(70)
[
Dedaun(0,
m[lnfb]+1).(setShader(leafmat), setScale(0.001))
92
{ nDaun++;
//println(" Jumlah Daun :
"+ (nDaun-1) + " lembar",0x000000);
}
// new leaf is counted!
]
] RH(140) RU(random(-5,5)) Meristem(0, m[lnfb]+1);
]
}
p) Source Code Untuk Method Tambah Batang
protected void tambahBatang(){
// block for internode extension:
[
i:batang ::>
{
int maturityclass = 0;
int lpi = nDaun - i[lnfb] - 1; // leaf age
if (lpi < 3) {
maturityclass = 1;
}
else
{
if (i[lnfb] > 5 ){
maturityclass = 2;
}
else
{
maturityclass = 3;
}
}
if (i[panjang] < loopBtgAtas && i[length] <=
maxTumBatang[maturityclass-1]) {
i[length] += rTumBatang; } // length growth
during firs days
i[diameter] += rTumDiameter; // diameter
growth always
i[panjang]++; // age increment
}
]
}
q) Source Code Untuk Method Tambah Daun
protected void tambahDaun(){
// pertumbuhan daun:
[
s:Dedaun, (s[panjang] < loopBtg) ::> {
s.setScale(s[scale] + rTumDaunSkala);
s[panjang]++;
}
]
}
Kemudian, tahap akhir pembentukan program visualisasi ini adalah
pembentukan method tumbuh. Berikut adalah source nya :
93
r) Source Code Untuk Method Tumbuh
public void Tumbuh(){
if(nDaun<=daun){
tambahMeristem();
tambahBatang();
tambahDaun();
jam++;
//println("Jam ke-" + jam);
// menampilkan jumlah hari
if(jam%24==0) {
hari++;
println(" Hari ke-" +hari,0xff0000);
DecimalFormat df = new DecimalFormat(".#");
println(" Tinggi Tanaman : "+
Double.valueOf(df.format(tinggi * (nDaun))) + " cm");
println(" Jumlah Daun : "+ (nDaun) + "
lembar\n",0x069d14);
// Untuk Data Grafik Pertumbuhan
harike[hari]=hari;
tinggitanaman[hari]=Double.valueOf(df.format(tinggi *
(nDaun)));
dauntanaman[hari]=nDaun;
//Grafik Pertumbuhan
pertumbuhan.clear().setTitle("Grafik Pertumbuhan").
setColumnKey(0,"Hari (ke-"+(hari)+")").
setColumnKey(1,"Tinggi (" +
Double.valueOf(df.format(tinggi * (nDaun))) +" cm)").
setColumnKey(2,"Daun ("+ (nDaun) + " lembar)");
chart(pertumbuhan,XY_PLOT);
pertumbuhan.setColumnLabel("Nilai Pertumbuhan");
pertumbuhan.setRowLabel("Hari ke- ");
double [] nilaitinggi=tinggitanaman;
double [] nilaidaun=dauntanaman;
int []
jumlahhari={0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23
,24,25,26,27,28,29,30,31,32,33,34,34,36,37,38,39,40};
for (int a=0; a < (hari)+1 ;a++ ){
float y = nilaitinggi[a];
float x = jumlahhari[a];
Dataseries series =
pertumbuhan.addRow().setX(1, x).setY(1, y);
}
for (int l=0; l < (hari)+1 ;l++ ){
float b = nilaidaun[l];
float a = jumlahhari[l];
Dataseries series =
pertumbuhan.addRow().setX(2, a).setY(2, b);
}
for (int h=0; h < (hari)+1 ;h++ ){
float d = hari;
94
float c = jumlahhari[h];
Dataseries series =
pertumbuhan.addRow().setX(0, c).setY(0, d);
}
}
}
else
{
DecimalFormat df = new DecimalFormat(".#");
println(" Simulasi Selesai");
JOptionPane.showMessageDialog(null,"Simulasi
Selesai pada :\nHari ke-"+(hari)+ "\nTinggi Tanaman : "
+Double.valueOf(df.format(tinggi * (nDaun-1)))+" cm\nJumlah Daun :
"+(nDaun-1)+" lembar ","Simulasi Pertumbuhan Tanaman Krisan", 1);
}
}
// ***** AKHIR SOURCE CODE " PEMODELAN KRISAN " *****
4.5 Hasil Program
Pada proses akhir program simulasi pertumbuhan ini menampilkan simulasi
bentuk 3D (tiga dimensi) tanaman krisan yang hampir mirip dengan dengan
bentuk aslinya disertai atribut keterangan jumlah daun, tinggi tanaman, waktu
pertumbuhan, serta grafik pertumbuhan.
Berikut adalah gambar hasil Screenshoot dari program simulasi yang telah dibuat :
Gambar 4.7 Hasil Simulasi Pertumbuhan Tanaman Krisan
95
Dari hasil program tersebut akan disimulasikan data ke-3 dengan tinggi
tanaman 15.4 cm dan jumlah daun sebanyak 14 lembar dengan hari ke-23. Berikut
hasil Printscreen output dari program :
Gambar 4.8 Sebelum Program Disimulasikan
Gambar 4.9 Setelah Program Disimulasikan
96
4.6 Evaluasi Program
Untuk mengevaluasi program ini dilakukan perbandingan antara data aktual
dengan hasil perhitungan atau pendekatan Neural Network. Program simulasi ini
akan dianggap baik apabila hasil prosentase error semakin kecil.
Penelitian ini untuk satu kali pengambilan data terdapat 4 simulasi, sehingga
dengan keseluruhan 4 kali pengambilan data maka keseluruhan simulasi adalah 16
kali. Untuk uji coba dilakukan 16 kali juga sehingga dapat terlihat keseluruhan
perbandingan antara data uji coba dan hasil simulasi yang akan dijelaskan pada
tabel berikut :
Tabel 4.9 Perbandingan Data Aktual dan Hasil Simulasi Pada Perlakuan Pertama
dan Pengambilan Data Terakhir.
No. Tinggi tanaman (cm) Banyak daun
Hasil Observasi Hasil Simulasi Hasil Observasi Hasil Simulasi
1. 17,6 18.4 14 15
2. 21 18.4 16 15
3. 18,4 18.4 15 15
4. 14,3 18.4 11 15
5. 22 18.4 16 15
6. 18,6 18.4 13 15
7. 17,8 18.4 15 15
8. 15,8 18.4 15 15
9. 22,8 18.4 16 15
10. 14,2 18.4 12 15
11. 14,3 18.4 12 15
12. 13,1 18.4 13 15
13. 17,9 18.4 16 15
14. 15,9 18.4 14 15
15. 11,6 18.4 14 15
16. 18,9 18.4 16 15
17. 21,6 18.4 17 15
18. 19 18.4 13 15
19. 21,1 18.4 16 15
20. 24,5 18.4 14 15
97
Dari data pada tabel 4.7 akan dihitung nilai error rate dengan rumus MAPE
(The Mean Absolute Percentage Error) :
𝑀𝐴𝑃𝐸 =1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
(4.17)
Dengan
n : Jumlah data
𝑌𝑡 : Data lapangan ke-i
𝑌′𝑡 : Data hasil perhitungan Neural Network ke-i
Tabel 4.10 Penjelasan Perhitungan Pada Perlakuan Pertama dan Pengambilan
Data Terakhir.
No. Tinggi Tanaman
No. Banyak daun
𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡 𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡
1. 17,6 18,4 0.045 1. 14 15 0.071
2. 21 18,4 0.124 2. 16 15 0.063
3. 18,4 18,4 0.000 3. 15 15 0.000
4. 14,3 18,4 0.287 4. 11 15 0.364
5. 22 18,4 0.164 5. 16 15 0.063
6. 18,6 18,4 0.011 6. 13 15 0.154
7. 17,8 18,4 0.034 7. 15 15 0.000
8. 15,8 18,4 0.165 8. 15 15 0.000
9. 22,8 18,4 0.193 9. 16 15 0.063
10. 14,2 18,4 0.296 10. 12 15 0.250
11. 14,3 18,4 0.287 11. 12 15 0.250
12. 13,1 18,4 0.405 12. 13 15 0.154
13. 17,9 18,4 0.028 13. 16 15 0.063
14. 15,9 18,4 0.157 14. 14 15 0.071
15. 11,6 18,4 0.586 15. 14 15 0.071
16. 18,9 18,4 0.026 16. 16 15 0.063
17. 21,6 18,4 0.148 17. 17 15 0.118
18. 19 18,4 0.032 18. 13 15 0.154
19. 21,1 18,4 0.128 19. 16 15 0.063
20. 24,5 18,4 0.249 20. 14 15 0.071
1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0.168
1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0.105
Persentase 16.8% Persentase 10.5%
Rata-rata Persentase 13.7%
98
Hasil akhir dari perhitungan persentase error rate pada pengambilan data
terakhir dan perlakuan pertama adalah 13,7 %. Serta untuk data yang lain
menggunakan cara yang sama dengan perhitungan pada tabel 4.10.
Tabel 4.11 Penjelasan Perhitungan Pada Perlakuan Kedua dan Pengambilan Data
Terakhir
No. Tinggi Tanaman
No. Banyak daun
𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡 𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡
1. 19 18,4 0.032 1. 13 14 0.077
2. 23,5 18,4 0.217 2. 16 14 0.125
3. 26,9 18,4 0.316 3. 17 14 0.176
4. 21,3 18,4 0.136 4. 15 14 0.067
5. 19,1 18,4 0.037 5. 15 14 0.067
6. 22,4 18,4 0.179 6. 13 14 0.077
7. 24,3 18,4 0.243 7. 14 14 0.000
8. 14,8 18,4 0.243 8. 14 14 0.000
9. 24,8 18,4 0.258 9. 15 14 0.067
10. 26 18,4 0.292 10. 15 14 0.067
11. 22,8 18,4 0.193 11. 16 14 0.125
12. 18,4 18,4 0.000 12. 14 14 0.000
13. 24,8 18,4 0.258 13. 20 14 0.300
14. 26 18,4 0.292 14. 15 14 0.067
15. 21,5 18,4 0.144 15. 18 14 0.222
16. 20,5 18,4 0.102 16. 15 14 0.067
17. 19,4 18,4 0.052 17. 15 14 0.067
18. 14,1 18,4 0.305 18. 10 14 0.400
19. 26,5 18,4 0.306 19. 16 14 0.125
20. 19,6 18,4 0.061 20. 14 14 0.000
1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0,182 1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0.105
Persentase 18,2 % Persentase 10.5%
Rata-rata Persentase 14.4%
Hasil akhir dari perhitungan persentase error rate pada pengambilan data
terakhir dan perlakuan kedua adalah 14,4 %.
99
Tabel 4.12 Penjelasan Perhitungan Pada Perlakuan Ketiga dan Pengambilan Data
Terakhir.
No. Tinggi Tanaman
No. Banyak daun
𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡 𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡
1. 17,1 22,7 0.327 1. 12 16 0.333
2. 13,9 22,7 0.633 2. 11 16 0.455
3. 24,1 22,7 0.058 3. 15 16 0.067
4. 18,6 22,7 0.220 4. 14 16 0.143
5. 26 22,7 0.127 5. 15 16 0.067
6. 23,6 22,7 0.038 6. 17 16 0.059
7. 18,9 22,7 0.201 7. 12 16 0.333
8. 20,3 22,7 0.118 8. 15 16 0.067
9. 17,1 22,7 0.327 9. 12 16 0.333
10. 16,4 22,7 0.384 10. 13 16 0.231
11. 19,9 22,7 0.141 11. 15 16 0.067
12. 22,7 22,7 0.000 12. 16 16 0.000
13. 16,5 22,7 0.376 13. 13 16 0.231
14. 17,9 22,7 0.268 14. 15 16 0.067
15. 17,9 22,7 0.268 15. 15 16 0.067
16. 19,1 22,7 0.188 16. 15 16 0.067
17. 22,8 22,7 0.004 17. 14 16 0.143
18. 20,2 22,7 0.124 18. 15 16 0.067
19. 17,2 22,7 0.320 19. 13 16 0.231
20. 18,8 22,7 0.207 20. 14 16 0.143
1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0.2166 1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0.1584
Persentase 21.7% Persentase 15.8%
Rata-rata Persentase 18.7%
Hasil akhir dari perhitungan persentase error rate pada pengambilan data
terakhir dan perlakuan ketiga adalah 18,7 %.
Tabel 4.13 Penjelasan Perhitungan Pada Perlakuan Ke empat dan Pengambilan
Data Terakhir
No. Tinggi Tanaman
No. Banyak daun
𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡 𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡
1. 23,3 15,4 0.339 1. 14 14 0.000
2. 24,4 15,4 0.369 2. 16 14 0.125
3. 15,4 15,4 0.000 3. 14 14 0.000
4. 21,5 15,4 0.284 4. 15 14 0.067
5. 16,6 15,4 0.072 5. 14 14 0.000
6. 20,5 15,4 0.249 6. 16 14 0.125
100
No. Tinggi Tanaman
No. Banyak daun
𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡 𝑌𝑡 𝑌′𝑡 |(𝑌𝑡 − 𝑌′𝑡)|/𝑌𝑡
7. 22,8 15,4 0.325 7. 14 14 0.000
8. 18,4 15,4 0.163 8. 15 14 0.067
9. 19,8 15,4 0.222 9. 17 14 0.176
10. 20,2 15,4 0.238 10. 15 14 0.067
11. 16,9 15,4 0.089 11. 12 14 0.167
12. 20,4 15,4 0.245 12. 17 14 0.176
13. 18,5 15,4 0.168 13. 14 14 0.000
14. 17,6 15,4 0.125 14. 12 14 0.167
15. 20,8 15,4 0.260 15. 17 14 0.176
16. 20,4 15,4 0.245 16. 14 14 0.000
17. 20,3 15,4 0.241 17. 14 14 0.000
18. 17,4 15,4 0.115 18. 17 14 0.176
19. 19,9 15,4 0.226 19. 15 14 0.067
20. 19,7 15,4 0.218 20. 13 14 0.077
1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0.2096 1
𝑛∑
|𝑌𝑡 − 𝑌′𝑡|
𝑌𝑡
𝑛
𝑖=1
0.0816
Persentase 21.0% Persentase 8.2%
Rata-rata Persentase 14.6%
Hasil akhir dari perhitungan persentase error rate pada pengambilan data
terakhir dan perlakuan ke empat adalah 14,6 %.
Selanjutnya setelah keseluruhan data yang terdiri dari 16 data ini diolah.
Didapatkan keseluruhan hasil dari MAPE (The Mean Absolute Percentage Error)
pada tabel 4.14 berikut :
Tabel 4.14 Hasil Akhir Perbandingan MAPE
Pengambilan
Data
Perlakuan
Penyiraman Sore Penyiraman Pagi
Urea 2gr/ltr
(perlakuan 1)
Urea 1gr/ltr
(perlakuan 2)
Urea 2gr/ltr
(perlakuan 3)
Urea 1gr/ltr
(perlakuan 4)
Pertama 19.3% 19.1% 29.9% 11.4%
Kedua 17.8% 34.2% 26.8% 11.5%
101
Pengambilan
Data
Perlakuan
Penyiraman Sore Penyiraman Pagi
Urea 2gr/ltr
(perlakuan 1)
Urea 1gr/ltr
(perlakuan 2)
Urea 2gr/ltr
(perlakuan 3)
Urea 1gr/ltr
(perlakuan 4)
Ketiga 17.5% 15.3% 14.6% 11.7%
Keempat 13.7% 14.4% 18.7% 14.6%
Rata-rata 17.05%
20.75%
22.49% 12.31%
4.7 Kajian Program Dalam Perspektif Islam
Perspektif keislaman pada sebuah penelitian sangat penting bagi peneliti
muslim, karena kata dasar penelitian yaitu “teliti” juga di ulang sebanyak tiga kali
di dalam Al-Quran dintaranya pada surat Maryam ayat 84, ayat 94 serta surat AL
Hujuraat ayat 6. Maka pembuatan program simulasi ini dimaksudkan terdapat
banyak poin penting yang perlu dikaji dalam hal integrasi dan perspektif
keislaman.
Pertama, pembuatan program simulasi pertumbuhan tanaman krisan ini
memberikan kemudahan kepada masyarakat yang ingin belajar menanam krisan.
Dan bahwasanya jika seseorang memberikan kemudahan kepada orang lain, maka
Allah SWT akan memberikan kemudahan kepada hambaNya tersebut. Dalam
shohih Muslim pada Bab “Keutamaan berkumpul untuk membaca Al Qur’an dan
dzikir”, dari Abu Hurairah radhiyallahu ‘anhu, Rasulullah shallallahu ‘alaihi wa
sallam bersabda :
102
Artinya :
“Barangsiapa meringankan sebuah kesusahan (kesedihan) seorang mukmin
di dunia, Allah akan meringankan kesusahannya pada hari kiamat.
Dan Barangsiapa memudahkan urusan seseorang yang dalam keadaan
sulit, Allah akan memberinya kemudahan di dunia dan akhirat.
Barangsiapa menutup ‘aib seseorang, Allah pun akan menutupi ‘aibnya di
dunia dan akhirat. Allah akan senantiasa menolong hamba-Nya, selama hamba
tersebut menolong saudaranya.” (HR. Muslim no. 2699)
Dalam menyajikan program simulasi pertumbuhan tanaman krisan ini juga
membutuhkan proses yang tidak mudah, namun dalam mewujudkan sebuah karya
untuk memudahkan dari hal yang sulit harus dibutuhkan perjuangan dengan
dilandasi keikhlasan dan tawakal kepada Allah SWT. Pada Al-Quran surat Alam
Nasyrah ayat 4 dan 5 Allah SWT berfirman :
Artinya : “ (5) karena Sesungguhnya sesudah kesulitan itu ada kemudahan,
(6) Sesungguhnya sesudah kesulitan itu ada kemudahan.”
Pada Tafsir Ibnu Katsir jilid 8 halaman 498 dijelaskan bahwa Allah SWT
memberitahukan bahwa bersama kesulitan itu terdapat kemudahan. Kemudian Dia
mempertegas berita tersebut. Ibnu Jarir meriwayatkan dari al-Hasan, dia berkata
Nabi Muhammad SAW pernah keluar rumah pada suatu hari dalam keadaan
senang dan gembira, dan beliau juga dalam keadaan tertawa seraya bersabda :
103
Artimya : “Satu kesulitan itu tidak akan pernah mengalahkan dua
kemudahan, satu kesulitan itu tidak akan pernah mengalahkan dua kemudahan,
karena bersama kesulitan itu pasti terdapat kemudahan, sesungguhnya bersama
kesulitan itu terdapat kemudahan.”
Dengan demikian, dapat dikatakan bahwa kesulitan itu dapat diketahui pada
dua keadaan, dimana kalimatnya dalam bentuk mufrad (tunggal). Sedangkan
kemudahan (al-yusr) dalam bentuk nakirah (tidak ada ketentuannya) sehingga
bilangannya bertambah banyak. Oleh karena itu, beliau bersabda, “Satu kesulitan
itu tidak akan pernah mengalahkan dua kemudahan.”
Kedua, dalam proses pembuatan program simulasi pertumbuhan tanaman
krisan ini peneliti juga melakukan pengamatan dan mengumpulkan data di lokasi
penelitian. Dengan mengamati dan mempelajari pertumbuhan tanaman dapat
memperkuat keimanan manusia terhadap Allah SWT, hal ini sesuai dengan Al-
Qur’an surat Al An’aam ayat 99 yang berbunyi :
104
Artinya : “dan Dialah yang menurunkan air hujan dari langit, lalu Kami
tumbuhkan dengan air itu segala macam tumbuh-tumbuhan Maka Kami
keluarkan dari tumbuh-tumbuhan itu tanaman yang menghijau. Kami keluarkan
dari tanaman yang menghijau itu butir yang banyak; dan dari mayang korma
mengurai tangkai-tangkai yang menjulai, dan kebun-kebun anggur, dan (kami
keluarkan pula) zaitun dan delima yang serupa dan yang tidak serupa.
perhatikanlah buahnya di waktu pohonnya berbuah dan (perhatikan pulalah)
kematangannya. Sesungguhnya pada yang demikian itu ada tanda-tanda
(kekuasaan Allah) bagi orang-orang yang beriman.” (QS. Al-An’aam ayat 99)
Pada Tafsir Ibnu Katsir jilid 3 halaman 363 dijelaskan bahwa tanda-tanda
kekuasaan Allah SWT bagi orang-orang yang beriman, dapat dilihat dari awal
mulanya turunnya air hujan dari langit hingga jatuh ke bumi sehingga
menyebabkan tumbuhnya berbagai macam tumbuhan dan tanaman yang
menghijau hingga mereka ada yang berbunga dan berbuah.
Fungsi pada pembuatan program ini untuk menentukan dosis pupuk dan
penyiraman yang tepat akan membuat tanah mejadi subur sehingga berpengaruh
kepada pertumbuhan tanaman yang maksimal, dan hal ini dapat dikaitkan dengan
tanda kebesaran Allah SWT bagi orang-orang yang bersyukur pada Al-Qur’an
surat Al-A’raaf ayat 58 yang berbunyi :
105
Artinya : “dan tanah yang baik, tanaman-tanamannya tumbuh subur
dengan seizin Allah; dan tanah yang tidak subur, tanaman-tanamannya hanya
tumbuh merana. Demikianlah Kami mengulangi tanda-tanda kebesaran (Kami)
bagi orang-orang yang bersyukur.” (QS. Al-A’raaf ayat 58).
Penjelasan pada tafsir Ibnu Katsir jilid 3 halaman 387 bahwa Ali bin Abi
Thalhah mengatakan dari Ibnu Abbas mengenai ayat itu “Bahwa hal ini
merupakan perumpamaan yang disebutkan Allah bagi orang mukmin dan orang
kafir.”
Al-Bukhari meriwayatkan dari Abu Musa Al-Asy’ari, ia berkata, bahwa
Rasullah SAW bersabda :
Artinya : “Perumpamaan terhadap apa yang diwahyukan Allah kepadaku
dalam ilmu dan petunjuk, yaitu bagaikan hujan lebat yang turun ke bumi. Maka
ada tanah yang subur yang dapat menerima air dan menumbuhkan tumbuh-
tumbuhan dan rerumputan yang banyak. Ada juga tanah gundul yang dapat
menahan air sehingga orang-orang dapat mengambil manfaat dari air tersebut,
dan mengairi sawah. Dan ada juga tanah yang berupa tanah datar, tidak dapat
menahan air dan tidak pula menumbuhkan tumbuh-tumbuhan. Demikian itulah
perumpamaan orang yang mengerti tentang agama Allah dan berguna baginya
106
apa yang diwahyukan kepadaku, lalu (setelah) ia mengetahui, maka ia
mengajarkan(nya). Dan (juga) perumpamaan bagi orang yang tida mengangkat
kepalanya (memberikan perhatian) dan tidak mau menerima petunjuk Allah yang
diturunkan kepadaku.” (HR. Imam Muslim dan an-Nasa’i).
Ketiga, mensimulasikan berarti mempunyai tujuan untuk memahami
tingkah laku sistem dari sebuah proses kehidupan untuk dapat dijadikan
pengetahuan, sehingga memberikan sebuah alternatif tindakan dalam mengambil
sebuah keputusan (Djati, Bonett Satya Lelono, 2007, Hal. 10). Hal ini dapat
dikaitkan pemahaman siklus kehidupan manusia sehingga Allah SWT berfirman
pada surat Al Mu’min ayat 67 yang berbunyi :
Artinya : “Dia-lah yang menciptakan kamu dari tanah kemudian dari
setetes mani, sesudah itu dari segumpal darah, kemudian dilahirkannya kamu
sebagai seorang anak, kemudian (kamu dibiarkan hidup) supaya kamu sampai
kepada masa (dewasa), kemudian (dibiarkan kamu hidup lagi) sampai tua, di
antara kamu ada yang diwafatkan sebelum itu. (kami perbuat demikian) supaya
kamu sampai kepada ajal yang ditentukan dan supaya kamu memahami(nya).”
(QS. Al Mu’min ayat 67).
Pada tafsir Ibnu Katsir jilid 7 halaman 184 dijelaskan tentang arti dari ayat
diatas yang berbunyi “Dia-lah yang menciptakan kamu dari tanah kemudian dari
107
setetes mani, sesudah itu dari segumpal darah, kemudian dilahirkannya kamu
sebagai seorang anak, kemudian (kamu dibiarkan hidup) supaya kamu sampai
kepada masa (dewasa), kemudian (dibiarkan kamu hidup lagi) sampai tua” yaitu
Dia-lah yang membolak-balikkan kalian dalam semua perputaran tersebut, Maha
Esa yang tidak ada sekutu bagi-Nya berdasarkan perintah, aturan dan ketentuan-
Nya. Sedangkan maksud arti dari “Di antara kamu ada yang diwafatkan sebelum
itu.” Yaitu sebelum ada dan keluar ke alam dunia ini, bahkan ibunya telah
menggugurkannya. Ada pula diantara mereka yang diwafatkan diwaktu kecil, di
waktu muda dan di waktu tua.
Sedangkan maksud dari firman Allah yang artinya “supaya kamu sampai
kepada ajal yang ditentukan dan supaya kamu memahami(nya)” yakni Ibnu Juraij
berkata: “Supaya kalian mengingat hari kebangkitan.”. Dan pada di akhir kata
yang berbunyi “memahami(nya)” yang dimaksud adalah bahwa sebagai manusia
kita harus paham sebenarnya Allah SWT Maha Berkehendak dan Maha Berkuasa
atas segala sesuatu-Nya yang ada di seluruh alam semesta tanpa terkecuali.
108
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari penelitian dan pembuatan program simulasi pertumbuhan tanaman
dengan perhitungan Neural Network telah dilakukan dapat disimpulkan bahwa
perhitungan Neural Network memberikan pemilihan data tanaman dengan rata-
rata prosentase rate error pada tinggi tanaman dan jumlah daun pada perlakuan
pertama sebesar 17.05 %, perlakuan kedua 20.75 %, perlakuan ketiga 22.49 % dan
perlakuan keempat 12.31 %.
5.2 Saran
Simulasi dalam bentuk tiga dimensi (3D) belum dapat mensimulasikan
sampai detail seperti waktu dan hari pada tanaman sebenarnya. Komponen seperti
bunga, bentuk dasar batang, dan akar belum dapat dimunculkan. Untuk mencapai
hal itu perlu dilakukan penelitian lebih lanjut dan teori tambahan pada pembuatan
model visualisasinya. Untuk pengembangan ke depan, program simulasi ini
sebaiknya perlu dilengkapi dengan data output yang lebih kompleks, tidak hanya
tinggi tanaman, banyak daun dan jumlah hari. Sehingga hasil pendekatan dapat
menggambarkan proses pertumbuhan seperti tanaman krisan sebenarnya. Untuk
penelitian berikutnya harapan peneliti, pengamatan pertumbuhan tanaman dapat
dilakukan dari biji tanaman krisan (generatif) hingga berbunga, dengan
memerlukan waktu pengamatan yang cukup lama.
109
Untuk penggunaan algoritma Neural Network pada penelitian berikutnya
dapat diharapkan menggunakan fungsi aktivasi selain hyperbolic tangen. Dan
masih banyak pula algoritma jaringan saraf tiruan yang dapat diaplikasikan
sehingga hasil pada penelitian berikutnya akan lebih maksimal memperoleh hasil
nilai pendekatannya.
110
DAFTAR PUSTAKA
Albab, Moh. Ulil. 2012. Simulasi pertumbuhan chrysanthemum reagent pink
terhadap pemberian komposisi pupuk urea dan kcl berbasis xl system
menggunakan fuzzy mamdani. Jurusan Teknik Informatika Fakultas Sains
dan Teknologi Universitas Maulana Malik Ibrahim Malang.
Chuldi, Moh. Prasetya. 2012. Simulasi Pertumbuhan Tanaman Krisan Terhadap
Pemberian Dosis Pupuk Urea dan Penyiraman Menggunakan ANFIS
Berbasis XL System. Jurusan Teknik Informatika Fakultas Sains dan
Teknologi Universitas Maulana Malik Ibrahim Malang.
Djati, Bonett Satya lelono. 2007. Simulasi – Teori dan Aplikasinya. Yogyakarta:
Andi.
Du, K.L., dan M.N.S. Swamy. 2006. Neural Networks in a Softcomputing
Framework. Canada: Springer.
Fausett, R.G. 1994. Fundamentals of Neural Network. New Jersey: Prentice Hall
International, Inc.
Ghoffar, M Abdul E.M, Abdurrahim Mu’thi, Abu Ihsan Al Atsari. 2004.
Terjemahan Tafsir Ibnu Katsir. Bogor: Pustaka Imam Syafi’i.
Haykin, S. 1999. Neural Networks A Comprehensive Foundation. New Jersey:
Prentice Hall International, Inc.
Karlik, Bekir dan A. Vehbi Olgac. 2010. Performance Analysis of Various
Activation Functions in Generalized MLP Architectures of Neural Network.
Kuala Lumpur, Malaysia: International Journal of Artificial Intelligence
And Expert Systems (IJAE), Volume (1): Issue (4).
111
Kurniawati Y S.Pd, Ika. 2007. Budi Daya Tanaman Krisan. Jakarta: CV. SINAR
CEMERLANG ABADI.
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya).
Yogyakarta: Graha Ilmu.
Kusumadewi, Sri dan Hartati, Sri. 2006. Neuro-Fuzzy, Integrasi Sistem Fuzzy dan
Jaringan Syaraf. Yogyakarta: Graha Ilmu.
Lindenmayer Aristid and Prusinkiewicz Prezemyslaw. 2004. The Algorithmic
Beauty Of Plants.
Martiana, Entin. 2013. Data Processing. Soft Computation Research Group,
EEPIS-ITS.
Nur Azizah, Umi. 2009. Pengaruh media tanam dan jenis pupuk Terhadap
pertumbuhan dan perkembangan Tanaman tomat (lycopersicum esculentum
mill.) Dengan teknik budidaya hidroponik.
Rabunal, J.R., dan J. Dorodo. 2006. Artificial Neural Network in Real-Life
Applications. London: Idea Group Publishing.
Rahmat Rukmana & Asep Eka Mulyana. 1997. Krisan. Yogyakarta: Penerbit
Kanisius.
Martini, Tri & Kristamtini, Siti Rahayu, Febriyanti, Setyorini W, Supriyanto, Bambang
Setyadi, Ambarwati, Hesti Rahsitomurni, Erlin Kurniaati, Sri Purwaningsih,
Jayadi, Siswiyanto, Triyono, Umaryati, Tri Mulyani, Tukinah, Puji Hastuti.
2009. Standar Operasional Prosedur Produksi Benih Krisan. Yogyakarta:
Balai Pengkajian Teknologi Pertanian Yogyakarta.
112
Siang, Jong Jek, M.Sc, Drs. 2009. Jaringan Syaraf Tiruan & Pemrogramannya
Menggunakan MATLAB. Yogyakarta: CV Andi Offset.
Sastrosupadi, Adji, MS, Dr, Ir. 2000. Rancangan Percobaan Praktis Bidang
Pertanian. Yogyakarta: Kanisius.
Suyanto. 2007. Artificial Intelligence (Searching, Reasoning and Learning).
Bandung: Informatika.
Suyantohadi, Atris dan Mochamad Hariadi Mauridhi Hery
Purnomo. Artificial Life Model Pertumbuhan Tanaman Kedelai
Menggunakan Metoda Neural Network dan Lindenmayer System. Jurusan
Teknologi Industri Pertanian, Fakultas Teknologi Pertanian
Universitas Gadjah Mada Yogyakarta, Jurusan Teknik Elektro, Fakultas
Teknologi Industri, Institut Teknologi Sepuluh November Surabaya.
Suhartono, Mochammad Hariadi, Mauridhi Hery Purnomo. 2011.
INTEGRATION OF ARTIFICIAL NEURAL NETWORKS INTO
GENETIC L-SYSTEM PROGRAMMING BASED PLANT MODELING
ENVIRONMENT WITH MATHEMATICA. State Islamic University of
Malang Department of Information Engineering, Faculty of Industrial
Technology Departement Electrical Engineering ITS Surabaya.
Sjamsudin, Wahid.2010. Function Structure Plant Models Pertumbuhan Tanaman
Chrysantemum Puma Putih Terhadap Pemberian Pupuk Urea Dengan
Menggunakan Metode Xl-Sytem. Jurusan Teknik Informatika Fakultas Sains
dan Teknologi Universitas Maulana Malik Ibrahim Malang
Zulqifli, Fahrizal. 2011. Function Structure Plant Model Pertumbuhan Tanaman
Bunga Chrysanthemum Indicum Pink Terhadap Pengaruh Pemberian
113
Pupuk Mkp Berbasis Xl-System. Jurusan Teknik Informatika Fakultas Sains
dan Teknologi Universitas Maulana Malik Ibrahim Malang.
http://www.petrokimia-gresik.com/urea.asp/ diakses tanggal 26 Nopember 2011,
pukul 07.44 WIB.
http://binaukm.com/2010/06/teknis-budidaya-krisan-potong/ diakses tanggal 26
Nopember 2011, pukul 08.44 WIB.
http://jatim.litbang.deptan.go.id/ind/index.php?option=com_content&view=article
&id=360&Itemid=5/ diakses tanggal 26 Nopember 2011, pukul 05.54 WIB.
http://ditlin.hortikultura.go.id/index.php?option=com_wrapper&view=wrapper&It
emid=591/ diakses tanggal 26 Nopember 2011, pukul 09.04 WIB.
http://id.wikipedia.org/wiki/Pertumbuhan_tanaman diakses tanggal 22 September
2014, pukul 14.01 WIB.
http://lecturer.eepis-
its.edu/~entin/Data%20Mining/Minggu%202%20Data%20Preprocessing.pd
f diakses tanggal 23 September 2014, pukul 17.44 WIB.
https://en.wikipedia.org/wiki/Koch_snowflake diakses tanggal 1 Juli 2015
http://www.uni-forst.gwdg.de/~wkurth/sumsc10_t01.ppt diakses tanggal 1 Juli
2015, pukul 09.04 WIB.
http://algorithmicbotany.org/papers/abop/abop-ch1.pdf diakses tanggal 1 Juli
2015, pukul 14.01 WIB.
http://yogya.litbang.pertanian.go.id/ind/phocadownload/Standar%20Operasional
%20Prosedur%20%20Produksi%20Benih%20Krisan%20Daerah%20Istime
wa%20Yogyakarta.pdf diakses tanggal 1 Juli 2015, pukul 14.01 WIB.
114
LAMPIRAN
1. Data Observasi
1.1 Pengambilan Data Pertama
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 9:10 0.3 5 2.3 4.2 7.2 6
2 9:15 0.3 4.2 2.8 4.5 5.4 9
3 9:17 0.3 2.6 3.7 6.1 4.8 5
4 9:20 0.3 3.3 2.6 5 4.8 6
5 9:22 0.3 5.7 3.4 5 7.6 9
6 9:24 0.2 4.3 2.7 4.6 6.4 7
7 9:27 0.2 4.3 2.3 5.1 7 7
8 9:29 0.3 5.7 3.3 5.5 6.8 6
9 9:32 0.3 6.2 3.5 6.4 8.7 7
10 9:34 0.2 5.6 3.5 5.6 7.1 5
11 9:37 0.3 3.1 3.1 5.8 5.9 7
12 9:39 0.2 1.8 2.3 4 3.8 6
13 9:42 0.3 6.3 3.5 6.1 7.6 8
14 9:44 0.2 5.3 2.7 4.6 7.7 7
15 9:46 0.3 5.2 3.8 6.4 7.1 3
16 9:48 0.3 4.3 2.9 6.1 6.2 8
17 9:50 0.3 5.2 3.5 6.6 8.2 8
18 9:52 0.3 3.6 3 5 5.7 6
19 9:54 0.3 4.4 3.5 5.9 7.1 7
20 9:56 0.3 6.4 3.7 6.6 9.8 7
21 9:58 0.3 4.4 2.6 5.6 6.7 8
22 10:00 0.3 6.8 3 5.7 10.8 9
23 10:02 0.2 6.5 2.8 5.3 9.8 9
24 10:04 0.3 5.7 3.8 7 10.1 8
25 10:06 0.2 5.4 2.5 3.9 7.1 6
1. PENYIRAMAN SETIAP SORE HARI
NO WAKTU
18-Jun-12
PERLAKUAN 1
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 10:06 0.2 6 2.9 5.6 8.6 7
2 10:08 0.3 6.2 3.7 6.6 9.1 8
3 10:09 0.3 7.2 3.4 5.4 9.4 9
4 10:12 0.3 6.1 3.1 6 9.6 8
5 10:14 0.2 3.1 2.4 4.1 6.2 8
6 10:16 0.2 5.1 3.2 5.4 7.3 6
7 10:18 0.3 6.1 2.7 5.5 8.3 7
8 10:20 0.3 6.6 3 5.5 7.9 7
9 10:22 0.3 5.3 3.1 6.1 9.7 7
10 10:24 0.3 5.6 4.3 7 9.1 7
11 10:26 0.3 3.6 3 5.3 5.4 8
12 10:28 0.2 3.9 3.1 5.3 6.4 6
13 10:30 0.3 6.1 2.7 5.9 8.3 11
14 10:33 0.3 6.2 2.2 4.1 7.9 8
15 10:35 0.3 5.4 3.4 5.4 8 8
16 10:37 0.3 4.3 2.6 5.6 5.6 7
17 10:40 0.3 5.1 3 5.2 7.2 6
18 10:42 0.2 2.1 2.4 5 3.8 4
19 10:44 0.3 3.5 2.6 4.6 5.5 9
20 10:47 0.3 4.2 2.3 4.6 7.9 7
21 10:50 0.3 6.5 3.6 6.6 9 7
22 10:53 0.3 5.4 3 5.3 7.8 7
23 10:55 0.3 3.6 2.3 4.4 4.9 7
24 10:57 0.3 3.4 2.4 3.6 7.4 8
25
NO WAKTU
1. PENYIRAMAN SETIAP SORE HARI 18-Jun-12
PERLAKUAN 2
115
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 11:00 0.3 4.4 2.9 6.4 6.9 6
2 11:01 0.2 3.9 2.3 4.4 3.9 4
3 11:02 0.3 6.2 3.4 5.6 6.9 7
4 11:04 0.3 6.2 2 4.3 7.3 7
5 11:05 0.3 6.2 2.8 5.2 7.8 8
6 11:06 0.3 7.7 2.6 5.2 8.4 8
7 11:07 0.3 5.7 2.4 5.1 6.4 5
8 11:09 0.3 5.7 3.1 4.7 6.4 9
9 11:11 0.3 6.4 3.1 5.2 7 6
10 11:14 0.2 5.7 2.6 4.6 7.5 5
11 11:15 0.3 6.5 2.7 5.4 7.8 7
12 11:17 0.3 6.5 3 5.6 7.5 7
13 11:18 0.2 4.7 2.9 5.4 5.4 6
14 11:20 0.2 5.4 2.3 4.7 5.9 6
15 11:21 0.3 5.4 2.8 6.1 6.8 7
16 11:23 0.3 6.4 2.5 5.1 7 7
17 11:24 0.3 5.9 2.8 5.2 7.8 9
18 11:26 0.3 6.7 2.4 5.1 7.5 6
19 11:28 0.2 4.8 2.8 5 6.4 6
20 11:30 0.3 5.9 3.1 5.4 7.9 5
21 11:31 0.3 8.6 3.5 6.2 10.2 8
22
23
24
25
NO
1. PENYIRAMAN SETIAP PAGI HARI 18-Jun-12
PERLAKUAN 3
WAKTU
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 11:35 0.3 6.3 3.6 6.2 9.6 6
2 11:36 0.3 6.1 2.9 5 8.1 8
3 11:37 0.2 4.5 2.4 4.5 6.4 6
4 11:38 0.3 4.3 3 5.8 7.9 7
5 11:39 0.3 3.5 1.4 3.7 4.6 6
6 11:40 0.2 4.2 2.4 4.9 7.3 7
7 11:41 0.3 5.6 3 5.6 7.5 6
8 11:42 0.3 3.2 2.3 3.6 5.6 6
9 11:43 0.3 3.3 2.9 5.3 5.2 7
10 11:44 0.2 5.2 2.5 5.4 6 6
11 11:45 0.2 5.1 2.3 4.2 7.4 5
12 11:46 0.3 6.1 3.8 5.3 7.6 7
13 11:47 0.3 5.6 2.6 4.7 7.4 7
14 11:48 0.2 6.5 2.4 4.1 7.6 5
15 11:49 0.3 5 2.7 5.3 6.6 6
16 11:50 0.3 4.1 3 5.4 7.8 6
17 11:51 0.3 5.2 3.1 5 6 7
18 11:52 0.3 4.4 2 4.2 6.6 6
19 11:53 0.2 5 2.3 7.4 7 7
20 11:54 0.2 4.6 3 5.3 8.7 6
21 11:55 0.3 6.4 2.1 4 8.8 9
22
23
24
25
NO WAKTU
1. PENYIRAMAN SETIAP PAGI HARI 18-Jun-12
PERLAKUAN 4
116
1.2 Pengambilan Data Kedua
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 8:23 0.3 6.5 2.8 6.1 7.4 8
2 8:25 0.3 6.2 2.8 5.5 8.8 12
3 8:28 0.3 3.4 3.7 7 5.5 10
4 8:30 0.3 4.3 2.8 6 6.6 8
5 8:31 0.4 7.7 3.8 5.7 11.5 12
6 8:32 0.3 5.8 3 5.5 9 10
7 8:34 0.3 6.3 2.8 5.8 8.6 10
8 8:35 0.3 5.6 4.1 7.1 7.2 7
9 8:37 0.4 8.3 4 7.2 11.4 10
10 8:39 0.3 5.8 4.2 6.8 7.3 7
11 8:41 0.3 4.5 3.5 6.6 6.1 7
12 8:43 0.2 2.7 2.9 4.8 4.2 8
13 8:45 0.4 8.3 3.8 6.5 10.5 12
14 8:47 0.3 6.6 2.2 4.6 8.4 10
15 8:49 0.4 5.5 5 7.3 8.6 11
16 8:51 0.3 6.3 3.5 6.9 8.5 10
17 8:53 0.4 6.7 3.7 7.3 8.6 12
18 8:55 0.3 5.2 3.4 5.6 8.1 9
19 8:57 0.3 6 3.9 6.7 9.7 11
20 8:59 0.3 8.9 4.2 8 11.6 11
21 9:01 0.3 5.5 2.9 5.8 8.6 13
22 9:02 0.4 8.7 3.4 6.2 12.1 13
23 9:04 0.3 7.8 2.6 5 10.9 12
24 9:06 0.3 7.5 4.2 8 12 12
25 9:08 0.3 6.3 2.8 4.1 9 10
1. PENYIRAMAN SETIAP SORE HARI 25-Jun-12
NO WAKTU
PERLAKUAN 1
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 10:00 0.3 7.6 3.2 6.1 10.8 10
2 10:02 0.4 8 3.8 6.9 11.4 12
3 10:04 0.3 9.1 3.5 5.6 11.9 12
4 10:06 0.3 7.7 3.2 6.2 11.3 11
5 10:07 0.3 5.2 2.6 4.5 7.9 11
6 10:08 0.3 6.4 3.3 6.1 9.7 9
7 10:10 0.3 8.8 3.1 5.8 11.9 11
8 10:11 0.3 6.4 2.8 5 9.7 9
9 10:12 0.3 7.6 3.4 5.6 11.1 11
10 10:13 0.3 7.6 4.7 7.6 10.9 10
11 10:14 0.3 6.2 3.3 6.1 9.4 12
12 10:16 0.3 5.7 3.3 6.1 8.4 9
13 10:17 0.4 8.7 3.7 6.6 12.7 14
14 10:18 0.3 8.4 3 5.8 10.3 11
15 10:20 0.3 7.9 2.8 6.1 10.2 12
16 10:21 0.3 6.5 3 6.4 8.1 9
17 10:23 0.3 7.2 3.3 6.1 9.3 11
18 10:24 0.2 2.9 3 5.5 5.8 7
19 10:25 0.3 7.2 3.5 5.7 11.5 10
20 10:26 0.3 5.3 2.3 5.2 7.2 9
21 10:28 0.3 8.8 3.9 7.3 11.9 10
22 10:29 0.3 6.4 3.4 6 9 11
23 10:30 0.3 6.1 3 5.2 8.5 11
24 10:31 0.3 5.8 2.8 4.2 8.6 10
25
NO WAKTU
1. PENYIRAMAN SETIAP SORE HARI 25-Jun-12
PERLAKUAN 2
117
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 10:32 0.3 6.6 3.8 6.9 8.8 10
2 10:33 0.2 4.1 2.7 5 6.3 6
3 10:34 0.3 7.4 3.9 6.5 11.1 10
4 10:36 0.3 6.6 2.4 5.1 9.4 9
5 10:38 0.3 7.9 3.1 5.8 10.9 12
6 10:39 0.3 9 3.2 6 12.3 11
7 10:40 0.3 5.9 3.2 6.2 8.3 8
8 10:42 0.3 7.8 4 6.1 11.3 10
9 10:43 0.3 6.9 3.5 6.1 8.8 8
10 10:44 0.2 6.4 3 5.1 8 8
11 10:45 0.3 7.5 3.1 5.9 10.3 9
12 10:46 0.3 7.8 3.6 6.9 11 10
13 10:47 0.3 5.2 3.5 6.3 7.1 9
14 10:48 0.3 6 3 5.6 7.5 10
15 10:50 0.3 6.4 2.6 6.2 8.6 11
16 10:52 0.3 6.6 2.6 5.6 8.6 10
17 10:53 0.3 7.7 3.4 6.5 10.1 11
18 10:54 0.3 7.2 2.8 6 10.2 9
19 10:56 0.2 5.8 3.2 5.5 7.8 8
20 10:58 0.3 6.6 3.8 6.4 8.9 9
21 10:59 0.4 9.3 3.8 6.6 11.9 10
22
23
24
25
NO WAKTU
1. PENYIRAMAN SETIAP PAGI HARI 25-Jun-12
PERLAKUAN 3
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 11:00 0.3 8.3 4.3 7.2 8.8 8
2 11:02 0.3 8.7 3.3 5.7 9.9 10
3 11:03 0.2 5.1 2.8 5 8.1 9
4 11:04 0.3 6.6 3.8 6.8 8.9 10
5 11:06 0.3 4.2 2.3 4.5 6.7 8
6 11:08 0.3 6.2 3 5.6 8.8 10
7 11:10 0.3 7.3 4 6.4 10.6 9
8 11:11 0.3 5.3 3 4.9 7.5 9
9 11:12 0.3 5.4 3.6 6.6 7 11
10 11:14 0.3 6.2 2.9 6 8.5 9
11 11:16 0.3 5.7 3 5.3 6.6 7
12 11:17 0.3 7.4 4.3 6.5 10.8 11
13 11:18 0.3 6.8 3.3 5.5 10 10
14 11:19 0.2 7.1 2.6 5 9.4 7
15 11:20 0.3 7.2 3.6 6.5 9.5 11
16 11:22 0.3 6.5 3.5 6.2 9.3 9
17 11:23 0.3 6.4 3.3 5.5 10.1 9
18 11:24 0.3 5.7 2.6 5.4 8 10
19 11:25 0.3 7.1 2.9 5.4 10.6 9
20 11:26 0.3 6.9 3.4 6.1 8.6 9
21 11:27 0.3 7.8 2.7 4.6 10.1 11
22
23
24
25
NO WAKTU
1. PENYIRAMAN SETIAP PAGI HARI 25-Jun-12
PERLAKUAN 4
118
1.3 Pengambilan Data Ketiga
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 8:03 0.3 9.5 2.9 6.2 12.3 13
2 8:04 0.4 10.4 2.9 5.5 14.4 15
3 8:05 0.3 8.2 3.8 7.3 11.2 13
4 8:06 0.3 6.6 2.9 5.8 10.8 10
5 8:07 0.4 12.2 3.8 5.9 16.9 14
6 8:08 0.3 9.4 3.1 5.4 12.7 12
7 8:09 0.3 9.2 2.7 5.9 12.8 12
8 8:10 0.3 7.2 4.3 7.3 11.6 11
9 8:11 0.4 13.3 4 7.4 15.1 12
10 8:12 0.3 8.6 4.5 7.1 11.6 9
11 8:13 0.3 7.1 3.8 6.8 9.8 10
12 8:14 0.3 5.3 2.9 4.9 8.1 10
13 8:15 0.4 10.6 4.1 6.6 12.2 13
14 8:16 0.3 9.2 2.3 4.6 12.7 12
15 8:17 0.3 6.6 5 7.5 9.5 11
16 8:18 0.3 9.7 3.6 7.1 13.5 13
17 8:19 0.3 10.4 3.8 7.5 15.5 13
18 8:20 0.3 9.2 3.6 5.7 12.3 11
19 8:21 0.3 11.1 3.8 6.9 14.6 13
20 8:22 0.3 13.7 4.1 7.9 18.8 13
21 8:23 0.3 8.3 2.9 5.9 11.6 12
22 8:24 0.4 12.7 3.5 6.3 17.6 14
23 8:25 0.3 10.6 2.7 5.1 14.1 12
24 8:26 0.4 12.5 4.2 8 16.4 12
25 8:27 0.3 9.2 2.7 4.1 13.5 10
NO WAKTU
1. PENYIRAMAN SETIAP SORE HARI 02-Jul-12
PERLAKUAN 1
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 8:33 0.3 10.3 3.3 6.2 14 12
2 8:34 0.4 12.1 3.2 6.9 15.9 13
3 8:35 0.4 13.3 3.5 5.7 16.5 14
4 8:36 0.3 10.3 3.5 5.7 13.4 12
5 8:37 0.3 8.7 2.6 4.5 13.1 12
6 8:38 0.3 10.7 4.4 6.5 15.7 11
7 8:39 0.3 13.1 3.1 5.7 17.2 11
8 8:40 0.3 8.3 3.3 5.9 10.2 11
9 8:41 0.3 12.8 3.6 5.9 18.1 12
10 8:42 0.3 13.4 4.7 8 15.7 12
11 8:43 0.3 10.6 3.3 6.3 14.1 13
12 8:44 0.3 9.2 3.5 6.3 12.8 12
13 8:45 0.4 13.5 3.7 6.8 17.6 16
14 8:46 0.3 12.2 3.1 6.1 16.4 13
15 8:47 0.3 12.5 2.9 6.1 16.4 14
16 8:48 0.3 11.3 3.2 6.6 14.3 12
17 8:49 0.3 10.9 3.3 6.3 12.7 12
18 8:50 0.3 5.9 3.3 5.6 8.4 8
19 8:51 0.4 14.2 3.5 6 16.5 11
20 8:52 0.3 9.2 3 5.4 12.1 11
21 8:53 0.4 13.4 4.3 7.6 17.7 12
22 8:54 0.3 10.2 3.7 6.5 12.5 12
23 8:55 0.3 10.5 3.3 5.5 12.9 13
24 8:56 0.3 9.7 2.7 4.1 12.4 12
25 8:57
02-Jul-12
NO WAKTU
1. PENYIRAMAN SETIAP SORE HARI
PERLAKUAN 2
119
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 9:22 0.4 9.6 3.8 6.6 11.3 11
2 9:23 0.3 6.2 2.9 5.2 9.6 8
3 9:24 0.3 11.5 4 6.5 16.1 12
4 9:25 0.3 8.6 2.6 5.1 13 11
5 9:26 0.3 14.3 3.2 5.9 18.5 14
6 9:27 0.3 13.8 3.2 6.2 16.9 13
7 9:28 0.3 9.2 3.4 6.5 12.6 10
8 9:29 0.3 11.4 4.2 6.2 14.1 12
9 9:30 0.3 9.5 3.6 6.2 12.5 9
10 9:31 0.3 8.7 3.2 5.3 12.9 9
11 9:32 0.3 10.7 3.4 6.3 13.7 12
12 9:33 0.4 13 3.9 7.3 15.5 12
13 9:34 0.3 8.3 4 6.6 11.5 10
14 9:35 0.3 9.3 3.3 6 12.3 12
15 9:36 0.3 10 2.9 6.5 12.6 13
16 9:37 0.3 10.1 2.7 6 12.7 12
17 9:38 0.3 12.5 3.8 6.6 16.2 13
18 9:39 0.3 10.5 3.3 6.5 12.5 12
19 9:40 0.3 8.4 3.3 5.6 11.5 10
20 9:41 0.3 10.3 3.9 6.8 13.1 11
21 9:42 0.4 13.6 4 6.9 16.2 12
22
23
24
25
02-Jul-12
NO WAKTU
1. PENYIRAMAN SETIAP PAGI HARI
PERLAKUAN 3
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 9:45 0.4 12.7 4.3 7.3 17.3 11
2 9:46 0.3 13.3 3.5 6 17.3 13
3 9:47 0.3 7.5 3 5.2 10.6 11
4 9:48 0.3 10.3 4 7.5 13.9 13
5 9:49 0.4 6.8 2.8 5.1 9.9 10
6 9:50 0.3 10.2 3.3 5.9 14.1 12
7 9:51 0.3 11.7 4 6.6 14.5 11
8 9:52 0.3 9.2 3 5.4 12.9 11
9 9:53 0.3 8.8 3.9 6.9 12.9 13
10 9:54 0.3 9.8 3 6.2 11.6 11
11 9:55 0.3 8.3 3.4 5.5 11.8 10
12 9:56 0.3 11.4 4.5 7.3 14.5 12
13 9:57 0.3 9.9 3.5 5.8 12.4 11
14 9:58 0.3 9.4 2.9 5.1 12.1 9
15 9:59 0.3 10.8 3.9 7 14.8 13
16 10:00 0.3 11.3 3.8 6.3 14.5 11
17 10:01 0.3 10.3 2.8 5.6 12.9 11
18 10:02 0.3 9.2 2.9 5.8 13.4 12
19 10:03 0.3 11.7 3 5.5 16.1 11
20 10:04 0.3 11.6 3.5 6.1 14.8 10
21 10:05 0.3 10.6 2.9 4.9 14.6 13
22
23
24
25
02-Jul-12
NO WAKTU
1. PENYIRAMAN SETIAP PAGI HARI
PERLAKUAN 4
120
1.4 Pengambilan Data Keempat
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 10:00 0.3 13.2 2.9 6.3 17.6 14
2 10:04 0.4 16.7 3 5.6 21 16
3 10:06 0.3 14.5 3.9 7.4 18.4 15
4 10:08 0.3 10.2 2.8 6 14.3 11
5 10:10 0.4 18.3 3.6 5.5 22 16
6 10:12 0.3 15.2 3 5.4 18.6 13
7 10:14 0.3 14.5 2.9 6 17.8 15
8 10:15 0.3 12.4 4.3 7.5 15.8 15
9 10:16 0.4 19.3 4 7.5 22.8 16
10 10:18 0.3 12.2 4.5 7.2 14.2 12
11 10:20 0.3 11.9 4 6.8 14.3 12
12 10:21 0.3 10.3 3 4.9 13.1 13
13 10:23 0.4 15.5 4.1 6.5 17.9 16
14 10:25 0.3 13.7 2.5 4.7 15.9 14
15 10:27 0.3 9.3 5.1 7.5 11.6 14
16 10:30 0.3 15.9 3.8 7 18.9 16
17 10:31 0.3 16.6 3.7 7.6 21.6 17
18 10:32 0.3 16.3 3.5 6 19 13
19 10:35 0.3 18.9 4.1 7 21.1 16
20 10:37 0.3 21.9 4.3 8 24.5 14
21 10:39 0.3 13.6 2.9 6.2 16.9 16
22 10:40 0.4 19.7 3.4 6.3 23.1 17
23 10:43 0.3 16.4 2.7 5.1 20.1 17
24 10:45 0.4 20.2 4.3 8 21.4 17
25 10:47 0.3 15.5 2.8 4.3 18 13
1. PENYIRAMAN SETIAP SORE HARI 09-Jul-12
NO WAKTU
PERLAKUAN 1
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 10:48 0.3 16.1 3.3 6.1 19 13
2 10:49 0.4 20.1 3.7 7 23.5 16
3 10:50 0.4 22.3 3.8 5.8 26.9 17
4 10:51 0.3 17.3 3.7 6.7 21.3 15
5 10:52 0.3 15.7 2.7 4.5 19.1 15
6 10:53 0.3 18.1 4.5 6.6 22.4 13
7 10:55 0.3 20.8 2.8 5.9 24.3 14
8 10:56 0.3 12 3.5 6.1 14.8 14
9 10:57 0.3 21.9 3.5 6 24.8 15
10 10:58 0.3 21.9 4.9 8 26 15
11 10:59 0.3 18.5 3.6 6.2 22.8 16
12 11:01 0.3 15.1 3.5 6.4 18.4 14
13 11:02 0.4 21 4 6.6 24.8 20
14 11:04 0.3 19.7 3.2 6.1 26 15
15 11:05 0.3 19 3 6.1 21.5 18
16 11:07 0.4 18.3 3.3 6.6 20.5 15
17 11:08 0.3 16.5 3.5 6.3 19.4 15
18 11:10 0.3 11.1 3.4 5.8 14.1 10
19 11:11 0.4 21.4 3.5 6 26.5 16
20 11:12 0.3 15.5 2.9 5.5 19.6 14
21 11:13 0.4 20.5 4.2 7.9 24.9 16
22 11:14 0.3 16.2 3.8 6.6 18.5 15
23 11:15 0.4 18 3.3 5.5 22.2 17
24 11:16 0.3 15.2 2.9 4.3 18.1 15
25
1. PENYIRAMAN SETIAP SORE HARI 09-Jul-12
NO WAKTU
PERLAKUAN 2
121
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 2 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 11:18 0.4 13.5 3.9 7.4 17.1 12
2 11:19 0.3 10.3 3 5.4 13.9 11
3 11:20 0.4 19.6 4 6.7 24.1 15
4 11:21 0.3 15.4 2.8 5.1 18.6 14
5 11:22 0.3 21.2 3.1 5.8 26 15
6 11:23 0.3 21.5 3.3 6.2 23.6 17
7 11:24 0.3 14.4 3.5 6.5 18.9 12
8 11:25 0.3 18 4 6.3 20.3 15
9 11:26 0.3 14.6 3.6 6.2 17.1 12
10 11:27 0.3 14.2 3.3 5.5 16.4 13
11 11:28 0.3 15.7 3.5 6.4 19.9 15
12 11:29 0.4 19 3.9 7.2 22.7 16
13 11:30 0.3 14 4 6.9 16.5 13
14 11:31 0.3 15 3.3 6.1 17.9 15
15 11:33 0.3 14.8 3.1 6.4 17.9 15
16 11:34 0.3 15.5 2.8 5 19.1 15
17 11:36 0.3 19.4 3.8 6.9 22.8 14
18 11:37 0.3 17.5 3.2 6.6 20.2 15
19 11:38 0.3 13 3.2 5.6 17.2 13
20 11:39 0.3 16.6 4 6.7 18.8 14
21 11:40 0.4 19.6 3.8 7 22.3 15
22
23
24
25
1. PENYIRAMAN SETIAP PAGI HARI 09-Jul-12
NO WAKTU
PERLAKUAN 3
2. PEMUPUKAN UREA 7 HARI SEKALI, DENGAN DOSIS 1 GRAM / LITER
DIAMETER PANJANG LEBAR DAUN PANJANG TINGGI BANYAK
(cm) BATANG (cm) (cm) DAUN (cm) TANAMAN (cm) DAUN
1 11:43 0.4 18.4 4.5 7.4 23.3 14
2 11:44 0.3 20.4 3.4 6.1 24.4 16
3 11:45 0.3 12 3.1 5.1 15.4 14
4 11:46 0.4 17.7 4.6 7.9 21.5 15
5 11:47 0.4 12.2 3 5.2 16.6 14
6 11:48 0.3 17.1 3.2 5.9 20.5 16
7 11:49 0.3 16.5 4.1 7 22.8 14
8 11:50 0.3 15 3 5.5 18.4 15
9 11:52 0.4 15.4 3.8 7.1 19.8 17
10 11:54 0.3 16.2 3.3 6.6 20.2 15
11 11:56 0.3 14.1 3.3 5.4 16.9 12
12 11:57 0.3 17 4.6 7.5 20.4 17
13 11:58 0.3 14.8 3.5 5.9 18.5 14
14 11:59 0.3 13.9 2.9 5.1 17.6 12
15 12:00 0.4 16.7 4 7.1 20.8 17
16 12:01 0.3 18.5 3.6 6.5 20.4 14
17 12:02 0.3 17.1 3 5.6 20.3 14
18 12:03 0.3 15 2.9 6 17.4 17
19 12:04 0.3 17.1 3 5.5 19.9 15
20 12:05 0.3 17.3 3.6 5.9 19.7 13
21 12:06 0.3 16.4 3 5.3 19.9 17
22
23
24
25
1. PENYIRAMAN SETIAP PAGI HARI 09-Jul-12
NO WAKTU
PERLAKUAN 4
122
2. Data yang Dipakai
2.1 Data Pengambilan Pertama
Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 5 7.2 6
2 4.2 5.4 9
3 2.6 4.8 5
4 3.3 4.8 6
5 5.7 7.6 9
6 4.3 6.4 7
7 4.3 7 7
8 5.7 6.8 6
9 6.2 8.7 7
10 5.6 7.1 5
11 3.1 5.9 7
12 1.8 3.8 6
13 6.3 7.6 8
14 5.3 7.7 7
15 5.2 7.1 3
16 4.3 6.2 8
17 5.2 8.2 8
18 3.6 5.7 6
19 4.4 7.1 7
20 6.4 9.8 7
No.
perlakuan 1 (18 Juni 2012)
Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 6 8.6 7
2 6.2 9.1 8
3 7.2 9.4 9
4 6.1 9.6 8
5 3.1 6.2 8
6 5.1 7.3 6
7 6.1 8.3 7
8 6.6 7.9 7
9 5.3 9.7 7
10 5.6 9.1 7
11 3.6 5.4 8
12 3.9 6.4 6
13 6.1 8.3 11
14 6.2 7.9 8
15 5.4 8 8
16 4.3 5.6 7
17 5.1 7.2 6
18 2.1 3.8 4
19 3.5 5.5 9
20 4.2 7.9 7
No.
perlakuan 2 (18 Juni 2012)
Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 4.4 6.9 6
2 3.9 3.9 4
3 6.2 6.9 7
4 6.2 7.3 7
5 6.2 7.8 8
6 7.7 8.4 8
7 5.7 6.4 5
8 5.7 6.4 9
9 6.4 7 6
10 5.7 7.5 5
11 6.5 7.8 7
12 6.5 7.5 7
13 4.7 5.4 6
14 5.4 5.9 6
15 5.4 6.8 7
16 6.4 7 7
17 5.9 7.8 9
18 6.7 7.5 6
19 4.8 6.4 6
20 5.9 7.9 5
perlakuan 3 (18 Juni 2012)
No.Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 6.3 9.6 6
2 6.1 8.1 8
3 4.5 6.4 6
4 4.3 7.9 7
5 3.5 4.6 6
6 4.2 7.3 7
7 5.6 7.5 6
8 3.2 5.6 6
9 3.3 5.2 7
10 5.2 6 6
11 5.1 7.4 5
12 6.1 7.6 7
13 5.6 7.4 7
14 6.5 7.6 5
15 5 6.6 6
16 4.1 7.8 6
17 5.2 6 7
18 4.4 6.6 6
19 5 7 7
20 4.6 8.7 6
perlakuan 4 (18 Juni 2012)
No.
123
2.2 Data Pengambilan Kedua
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 6.5 7.4 8
2 6.2 8.8 12
3 3.4 5.5 10
4 4.3 6.6 8
5 7.7 11.5 12
6 5.8 9 10
7 6.3 8.6 10
8 5.6 7.2 7
9 8.3 11.4 10
10 5.8 7.3 7
11 4.5 6.1 7
12 2.7 4.2 8
13 8.3 10.5 12
14 6.6 8.4 10
15 5.5 8.6 11
16 6.3 8.5 10
17 6.7 8.6 12
18 5.2 8.1 9
19 6 9.7 11
20 8.9 11.6 11
perlakuan 1 (25 Juni 2012)
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 7.6 10.8 10
2 8 11.4 12
3 9.1 11.9 12
4 7.7 11.3 11
5 5.2 7.9 11
6 6.4 9.7 9
7 8.8 11.9 11
8 6.4 9.7 9
9 7.6 11.1 11
10 7.6 10.9 10
11 6.2 9.4 12
12 5.7 8.4 9
13 8.7 12.7 14
14 8.4 10.3 11
15 7.9 10.2 12
16 6.5 8.1 9
17 7.2 9.3 11
18 2.9 5.8 7
19 7.2 11.5 10
20 5.3 7.2 9
perlakuan 2 (25 Juni 2012)
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 6.6 8.8 10
2 4.1 6.3 6
3 7.4 11.1 10
4 6.6 9.4 9
5 7.9 10.9 12
6 9 12.3 11
7 5.9 8.3 8
8 7.8 11.3 10
9 6.9 8.8 8
10 6.4 8 8
11 7.5 10.3 9
12 7.8 11 10
13 5.2 7.1 9
14 6 7.5 10
15 6.4 8.6 11
16 6.6 8.6 10
17 7.7 10.1 11
18 7.2 10.2 9
19 5.8 7.8 8
20 6.6 8.9 9
perlakuan 3 (25 Juni 2012)
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 8.3 8.8 8
2 8.7 9.9 10
3 5.1 8.1 9
4 6.6 8.9 10
5 4.2 6.7 8
6 6.2 8.8 10
7 7.3 10.6 9
8 5.3 7.5 9
9 5.4 7 11
10 6.2 8.5 9
11 5.7 6.6 7
12 7.4 10.8 11
13 6.8 10 10
14 7.1 9.4 7
15 7.2 9.5 11
16 6.5 9.3 9
17 6.4 10.1 9
18 5.7 8 10
19 7.1 10.6 9
20 6.9 8.6 9
perlakuan 4 (25 Juni 2012)
124
2.3 Data Pengambilan Ketiga
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 9.5 12.3 13
2 10.4 14.4 15
3 8.2 11.2 13
4 6.6 10.8 10
5 12.2 16.9 14
6 9.4 12.7 12
7 9.2 12.8 12
8 7.2 11.6 11
9 13.3 15.1 12
10 8.6 11.6 9
11 7.1 9.8 10
12 5.3 8.1 10
13 10.6 12.2 13
14 9.2 12.7 12
15 6.6 9.5 11
16 9.7 13.5 13
17 10.4 15.5 13
18 9.2 12.3 11
19 11.1 14.6 13
20 13.7 18.8 13
perlakuan 1 (2 Juli 2012)
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 10.3 14 12
2 12.1 15.9 13
3 13.3 16.5 14
4 10.3 13.4 12
5 8.7 13.1 12
6 10.7 15.7 11
7 13.1 17.2 11
8 8.3 10.2 11
9 12.8 18.1 12
10 13.4 15.7 12
11 10.6 14.1 13
12 9.2 12.8 12
13 13.5 17.6 16
14 12.2 16.4 13
15 12.5 16.4 14
16 11.3 14.3 12
17 10.9 12.7 12
18 5.9 8.4 8
19 14.2 16.5 11
20 9.2 12.1 11
perlakuan 2 (2 Juli 2012)
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 9.6 11.3 11
2 6.2 9.6 8
3 11.5 16.1 12
4 8.6 13 11
5 14.3 18.5 14
6 13.8 16.9 13
7 9.2 12.6 10
8 11.4 14.1 12
9 9.5 12.5 9
10 8.7 12.9 9
11 10.7 13.7 12
12 13 15.5 12
13 8.3 11.5 10
14 9.3 12.3 12
15 10 12.6 13
16 10.1 12.7 12
17 12.5 16.2 13
18 10.5 12.5 12
19 8.4 11.5 10
20 10.3 13.1 11
perlakuan 3 (2 Juli 2012)
No. Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 12.7 17.3 11
2 13.3 17.3 13
3 7.5 10.6 11
4 10.3 13.9 13
5 6.8 9.9 10
6 10.2 14.1 12
7 11.7 14.5 11
8 9.2 12.9 11
9 8.8 12.9 13
10 9.8 11.6 11
11 8.3 11.8 10
12 11.4 14.5 12
13 9.9 12.4 11
14 9.4 12.1 9
15 10.8 14.8 13
16 11.3 14.5 11
17 10.3 12.9 11
18 9.2 13.4 12
19 11.7 16.1 11
20 11.6 14.8 10
perlakuan 4 (2 Juli 2012)
125
2.4 Data Pengambilan Keempat
Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 13.2 17.6 14
2 16.7 21 16
3 14.5 18.4 15
4 10.2 14.3 11
5 18.3 22 16
6 15.2 18.6 13
7 14.5 17.8 15
8 12.4 15.8 15
9 19.3 22.8 16
10 12.2 14.2 12
11 11.9 14.3 12
12 10.3 13.1 13
13 15.5 17.9 16
14 13.7 15.9 14
15 9.3 11.6 14
16 15.9 18.9 16
17 16.6 21.6 17
18 16.3 19 13
19 18.9 21.1 16
20 21.9 24.5 14
No.
perlakuan 1 (9 Juli 2012)
Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 16.1 19 13
2 20.1 23.5 16
3 22.3 26.9 17
4 17.3 21.3 15
5 15.7 19.1 15
6 18.1 22.4 13
7 20.8 24.3 14
8 12 14.8 14
9 21.9 24.8 15
10 21.9 26 15
11 18.5 22.8 16
12 15.1 18.4 14
13 21 24.8 20
14 19.7 26 15
15 19 21.5 18
16 18.3 20.5 15
17 16.5 19.4 15
18 11.1 14.1 10
19 21.4 26.5 16
20 15.5 19.6 14
No.
perlakuan 2 (9 Juli 2012)
Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 13.5 17.1 12
2 10.3 13.9 11
3 19.6 24.1 15
4 15.4 18.6 14
5 21.2 26 15
6 21.5 23.6 17
7 14.4 18.9 12
8 18 20.3 15
9 14.6 17.1 12
10 14.2 16.4 13
11 15.7 19.9 15
12 19 22.7 16
13 14 16.5 13
14 15 17.9 15
15 14.8 17.9 15
16 15.5 19.1 15
17 19.4 22.8 14
18 17.5 20.2 15
19 13 17.2 13
20 16.6 18.8 14
No.
perlakuan 3 (9 Juli 2012)
Panjang Tinggi Banyak
Batang (cm) Tanaman (cm) Daun
1 18.4 23.3 14
2 20.4 24.4 16
3 12 15.4 14
4 17.7 21.5 15
5 12.2 16.6 14
6 17.1 20.5 16
7 16.5 22.8 14
8 15 18.4 15
9 15.4 19.8 17
10 16.2 20.2 15
11 14.1 16.9 12
12 17 20.4 17
13 14.8 18.5 14
14 13.9 17.6 12
15 16.7 20.8 17
16 18.5 20.4 14
17 17.1 20.3 14
18 15 17.4 17
19 17.1 19.9 15
20 17.3 19.7 13
No.
perlakuan 4 (9 Juli 2012)
126
3. Data Uji Coba
3.1. Pengujian Data Minggu Pertama
127
3.2. Pengujian Data Minggu Kedua
128
3.3. Pengujian Data Minggu Ketiga
129
3.4. Pengujian Data Minggu Keempat
130
4. Revisi Simulasi Pertumbuhan Tanaman Berdasarkan Pemberian Dosis
Urea dan Penyiraman pada Jumlah Daun, Panjang Batang dan Tinggi
Tanaman
Revisi dari dosen penguji utama Irwan Budi Santoso M.Kom agar
mensimulasikan pertumbuhan tanaman krisan terhadap pemberian dosis pupuk
urea dan penyiraman, dengan ketentuan :
Input : Empat Perlakuan Berbeda (Dosis Urea dan Penyiraman)
Output : (a) Jumlah Daun, (b) Panjang Batang, (c) Tinggi Tanaman
Ralat Simulasi Ulang atas perlakuan pemberian dosis urea dan penyiraman
terhadap pertumbuhan jumlah daun, panjang batang dan tinggi tanaman.
Tabel 1. Simulasi Pertumbuhan Daun Terhadap Pemberian Dosis Pupuk Dan
Penyiraman. Data Sampel Perlakuan Keempat Pada Pengambilan
Data Minggu Keempat
No.
Dosis Jumlah
Daun
Jumlah
Daun Selisih Yang
Pupuk (Aktual) (Neural
Network) Error divisualisasikan
1 0.1 14 13.0 0.66039 x
2 0.2 16 15.0 1.32246 x
3 0.3 14 13.0 0.69468 x
4 0.4 15 14 0.28818 x
5 0.5 14 14 0.72897 x
6 0.6 16 14 1.25389 x
7 0.7 14 16 0.76326 x
8 0.8 15 15 0.2196 x
9 0.9 17 14 2.20246 x
10 1 15 12 0.18531 x
11 1.1 12 14 2.15103 x
12 1.2 17 16 2.15103 x
13 1.3 14 13 0.86612 x
14 1.4 12 12 0.34356 x
15 1.5 17 16 2.09959 x
16 1.6 14 15 0.91755 x
17 1.7 14 12 0.93469 x
18 1.8 17 15 2.04816 x
19 1.9 15 15 0.03102 √
20 2 13 13 0.24781 x
131
Gambar 1. Grafik Perbandingan Pertumbuhan Daun Aktual dengan Neural
Network
Gambar 2. Grafik Mean Square Error Simulasi Pertumbuhan Daun
132
Gambar 3. Grafik Laju Pertumbuhan Daun Tanaman Krisan
Gambar 4. Hasil Perhitungan Simulasi Neural Network Pada Pertumbuhan Daun
Pada Tanaman Krisan
133
Gambar 5. Hasil Visualisasi Pertumbuhan 3D
134
Tabel 2. Simulasi Pertumbuhan Batang Terhadap Pemberian Dosis Pupuk Dan
Penyiraman. Data Sampel Perlakuan Keempat Pada Pengambilan Data Minggu
Keempat
No.
Dosis Panjang
Batang
Panjang
Batang Selisih Yang
Pupuk (Aktual) (Neural
Network) Error divisualisasikan
1 0.1 14 13.0 0.66039 x
2 0.2 16 15.0 1.32246 x
3 0.3 14 13.0 0.69468 x
4 0.4 15 14 0.28818 x
5 0.5 14 14 0.72897 x
6 0.6 16 14 1.25389 x
7 0.7 14 16 0.76326 x
8 0.8 15 15 0.2196 x
9 0.9 17 14 2.20246 x
10 1 15 12 0.18531 x
11 1.1 12 14 2.15103 x
12 1.2 17 16 2.15103 x
13 1.3 14 13 0.86612 x
14 1.4 12 12 0.34356 x
15 1.5 17 16 2.09959 x
16 1.6 14 15 0.91755 x
17 1.7 14 12 0.93469 x
18 1.8 17 15 2.04816 x
19 1.9 15 15 0.03102 √
20 2 13 13 0.24781 x
135
Gambar 1. Grafik Perbandingan Pertumbuhan Panjang Batang Aktual dengan
Neural Network
Gambar 2. Grafik Mean Square Error Simulasi Pertumbuhan Panjang Batang
136
Gambar 3. Grafik Laju Pertumbuhan Panjang Batang Tanaman Krisan
Gambar 4. Hasil Perhitungan Simulasi Neural Network Pada Pertumbuhan
Panjang Batang Pada Tanaman Krisan
137
Tabel 2. Simulasi Pertumbuhan Tinggi Tanaman Terhadap Pemberian Dosis
Pupuk Dan Penyiraman. Data Sampel Perlakuan Keempat Pada Pengambilan Data
Minggu Keempat
No.
Dosis Tinggi
Tanaman
Tinggi
Tanaman Selisih Yang
Pupuk (Aktual) (Neural
Network) Error divisualisasikan
1 0.1 14 13.0 0.66039 x
2 0.2 16 15.0 1.32246 x
3 0.3 14 13.0 0.69468 x
4 0.4 15 14 0.28818 x
5 0.5 14 14 0.72897 x
6 0.6 16 14 1.25389 x
7 0.7 14 16 0.76326 x
8 0.8 15 15 0.2196 x
9 0.9 17 14 2.20246 x
10 1 15 12 0.18531 x
11 1.1 12 14 2.15103 x
12 1.2 17 16 2.15103 x
13 1.3 14 13 0.86612 x
14 1.4 12 12 0.34356 x
15 1.5 17 16 2.09959 x
16 1.6 14 15 0.91755 x
17 1.7 14 12 0.93469 x
18 1.8 17 15 2.04816 x
19 1.9 15 15 0.03102 √
20 2 13 13 0.24781 x
138
Gambar 1. Grafik Perbandingan Pertumbuhan Tinggi Tanaman Aktual dengan
Neural Network
Gambar 2. Grafik Mean Square Error Simulasi Pertumbuhan Tinggi Tanaman
Gambar 3. Grafik Laju Pertumbuhan Tinggi Tanaman Krisan
139
Gambar 4. Hasil Perhitungan Simulasi Neural Network Pada Pertumbuhan Tinggi
Tanaman Pada Tanaman Krisan
140
Gambar 5. Hasil Visualisasi Pertumbuhan 3D
141
5. Grafik Perbandingan Panjang Batang, Jumlah Daun, Tinggi Tanaman
& Rata-rata Per-Perlakuan.
Grafik Perbandingan Panjang Batang
Grafik Perbandingan Jumlah Daun
0
2
4
6
8
10
12
14
16
18
20
Perlakuan 1 Perlakuan 2 Perlakuan 3 Perlakuan 4
Minggu ke-1
Minggu ke-2
Minggu ke-3
Minggu ke-4
0
2
4
6
8
10
12
14
16
Perlakuan 1 Perlakuan 2 Perlakuan 3 Perlakuan 4
Minggu ke-1
Minggu ke-2
Minggu ke-3
Minggu ke-4
142
Grafik Perbandingan Tinggi Tanaman
Grafik Perbandingan antara Panjang Batang, Jumlah Daun & Tinggi Tanaman pada Rata-
rata Per-Perlakuan
0
5
10
15
20
25
Perlakuan 1 Perlakuan 2 Perlakuan 3 Perlakuan 4
Minggu ke-1
Minggu ke-2
Minggu ke-3
Minggu ke-4
0
2
4
6
8
10
12
14
16
Panjang Batang Jumlah Daun Tinggi Tanaman
Perlakuan 1
Perlakuan 2
Perlakuan 3
Perlakuan 4
143
6. Foto Kegiatan Penelitian di Lapangan.
6.1. Persiapan Alat dan Bahan
Bibit Tanaman Krisan Puma Putih
Bibit Tanaman Krisan dan Zat Perangsang Akar (rootone)
144
6.2. Persiapan Media Tanam
Tanah disiram air dulu agar gembur sehingga mudah
untuk proses penanaman
145
6.3. Proses Penanaman
Dalam melakukan penanaman harus hati-hati, jangan sampai akar dari
tanaman tersebut lepas saat menancapkan ke dalam tanah.
146
6.4. Proses Penyiraman Tanaman
Penyiraman dilakukan setiap hari dengan perlakuan pagi atau sore hari, air
yang digunakan dalam penyiraman menggunakan air tanah.
147
6.5. Usia Tanaman Pada Minggu Pertama
Kondisi tanaman setelah mengalami pemupukan dan penyiraman
6.6. Usia Tanaman Pada Minggu Kedua
148
6.7. Proses Pemupukan Tanaman Dengan Urea Yang Dilarutkan dengan 1
Liter Air
6.8. Usia Tanaman Pada Minggu Ketiga
149
6.9. Usia Tanaman Pada Minggu Keempat
6.10. Suasana Di Dalam Green House
150
6.11. Tanaman Krisan Puma Putih Yang Sudah Berumur kurang lebih 4
Bulan.
151
6.12. Bunga Krisan Yang Siap di Jual
Satu rangkaian bunga krisan dapat dijual
harga Rp 9000,- hingga Rp 15.000,-
6.13. Kantor PT Inggu Laut Abadi
152
6.14. Lokasi Penelitian PT Inggu Laut Abadi
6.15. GreenHouse Lokasi Penelitian
153